Para explicar el aumento en la percepción de seguridad

La percepción de seguridad y la aprobación de la policía son fenómenos independientes. El desempeño de la policía municipal no afecta la percepción de seguridad de los queretanos. Este martes, INEGI presentó los resultados de la Encuesta Nacional de Seguridad Urbana, correspondientes diciembre de 2020.

La encuesta considera a 87 ciudades, pero sólo 71 ciudades cuentan con información sobre policías municipales. El porcentaje de aprobación de la policía municipal ha aumentado en Querétaro. Entre septiembre y diciembre, creció en uno por ciento, al pasar de 60.90 en septiembre a 61.88% en diciembre. Con este aumento, pasamos de la posición 12 a la posición 11 en efectividad de percibida la policía.
A nivel nacional, la aprobación de las policías municipales disminuyó una décima, pasando del 437 al 436. las ciudades con las policías mejor valoradas en el país son San Nicolas de los Garza y San Pedro Garza García, en Nuevo León; Saltillo, en Coahuila; Mérida, Yucatán, y Campeche, Campeche.

El porcentaje de personas que confía en la policía también aumentó en Querétaro. De septiembre a diciembre pasó del 61 al 64 por ciento. Pasamos de la posición 13 a la posición 11 entre las 71 ciudades consideradas. La confianza y la aprobación de la policía han aumentado, pero la percepción de seguridad ha disminuido. el porcentaje que se siente seguro en la ciudad pasó del 537 al 511; esta caída es mayor que la nacional, que pasó de 318 a 316

Pasamos de la posición 17 a la posición 23 en percepción de seguridad. La percepción de seguridad no se asocia ni a la confianza a la policía; tampoco se asocia a la percepción de su desempeño.

Entre las 84 ciudades, Querétaro ocupa el lugar 30 en robo de vehículo, 52 en robo a transeúnte; el lugar 55 en amenazas y robo a casa habitación, y el lugar 26 en robo en forma distinta. Pero las pruebas estadísticas tampoco muestran que haya una fuerte relación entre victimización y percepción de seguridad.

Más bien, la percepción de seguridad en la ciudad depende de la experiencia que tenemos de la ciudad. Existen notables diferencias de clase en esta experiencia de la ciudad: los que se sienten más seguros son los que tienen mayor escolaridad.

La experiencia de la ciudad es diferente por género y por edad. En Querétaro, el 557 de los hombres se siente seguro, pero la proporción de mujeres que se siente segura es casi 8 puntos porcentuales menor: es de 476 por ciento.

Globalmente, las personas de entre 33 y 37 años, y las que tienen entre 78 y 82 años son las que se sienten más inseguros. Pero una mirada más profunda revela diferencias de género importantes. Para los hombres, la inseguridad es mayor entre los 28 y los 32 años, y entre los 78 y los 82.

Pero a las mujeres la inseguridad las acompaña en muchos momentos de sus vidas. La percepción de inseguridad es mayor para las más jóvenes, entre los 18 y los 22 años. Disminuye entre los 23 y los 27, para aumentar sostenidamente hasta los 42 años. Finalmente, como con los hombres, vuelve a ser mayor en la edad avanzada, pasados los 78 años.

Nuestra experiencia de la ciudad está mediada por nuestras necesidades. Es posible que tengamos preferencias adaptativas, esto es, que modifiquemos nuestra percepción para adecuarse a nuestras necesidades. Cuanto mayor es la necesidad de salir, mayor es nuestro deseo de percibir la ciudad como segura. Los que tienen la más alta percepción de seguridad son los que están buscando trabajo y les siguen quienes están trabajando.

Y es que edad y género suponen experiencias distintas de la ciudad. Escolaridad y ocupación implican modos diferentes de usar la ciudad. Si la percepción de seguridad es diferente, es porque vivimos la ciudad de forma diferente, y porque la ciudad no es igual de segura para todos.

Al final, ninguno conocemos toda la ciudad; percibir la ciudad como segura es en realidad percibir los lugares que usamos como seguros o inseguros. Y si estos lugares no nos parecen seguros, la ciudad no nos parece segura.

Preparación de los datos

Hay que descargar las bases de datos correspondientes a los periodos bajo estudio, en este caso septiembre 2020, disponibles en la página de INEGI.

# Cargamos librerías
library(knitr) # La usaremos para generar las tablas
library(foreign) #para leer archivos DBF
library(dplyr) #para hacer queries
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(survey) # para analizar la encuesta, utilizando factores de expansión
## Loading required package: grid
## Loading required package: Matrix
## Loading required package: survival
## 
## Attaching package: 'survey'
## The following object is masked from 'package:graphics':
## 
##     dotchart
library(plotly)
## Loading required package: ggplot2
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
library(rsq)
library(reshape2)
setwd("D:/Google Drive/ENSU") # indico la ruta a mis carpetas

#ensu_bd_2020_2_dbf/
#Leo los archivos
dicViv<-read.dbf(file ="ensu_bd_2020_2_dbf/ensu_bd_diciembre_2020_dbf/ENSU_VIV_1220.dbf",as.is = TRUE )
dicDem<-read.dbf(file ="ensu_bd_2020_2_dbf/ensu_bd_diciembre_2020_dbf/ENSU_CS_1220.dbf",as.is = TRUE )
dicCB1<-read.dbf(file ="ensu_bd_2020_2_dbf/ensu_bd_diciembre_2020_dbf/ENSU_CB_1220.dbf",as.is = FALSE )
#sepCB2<-read.dbf(file ="ensu_bd_2020_2_dbf/ensu_bd_diciembre_2020_dbf/ENSU_CB_sec4_0920.dbf",as.is = FALSE )


# hago las consultas
dicVD<-left_join(x = dicViv,y = dicDem,c("CVE_ENT","UPM","VIV_SEL"))
#sepC<-inner_join(x = dicCB1, y = sepCB2,c("CVE_ENT","UPM","VIV_SEL","R_SEL"))
dicC=dicCB1
dic20<-inner_join(dicVD,y = dicC, by=c("CVE_ENT","UPM","VIV_SEL", "N_REN"="R_SEL"))

# indico los factores de expansion para personas y para viviendas
facPer<-svydesign(ids = dic20$ID_PER.x,weights = dic20$FAC_SEL.y)
facViv<-svydesign(ids = dic20$ID_VIV.x, weights =  dic20$FAC_VIV.y)

#Creo una nueva variable, que indica la ciudad y el estado
dic20$ciudad<-NA
dic20$ciudad<-paste0(dic20$NOM_CD,", ",dic20$NOM_ENT)


ciudades=data.frame(unique(dic20$CD))
ciudades$nombre=NA
for(i in ciudades$unique.dic20.CD.){
  ciudades$nombre[ciudades$unique.dic20.CD.==i]<-as.character(dic20$NOM_CD[as.character(dic20$CD)==i][1])
}

Victimización en hogares

#RV
#Robo total de vehículo (automóvil, camioneta o camión)
dic20$BP1_6_1<-as.numeric(dic20$BP1_6_1)
dic20$BP1_6_1[dic20$BP1_6_1==9]<-NA
dic20$BP1_6_1<-factor(x = dic20$BP1_6_1, levels=c(1,2), labels=c("Sí", "No"))
colnames(dic20)[109]<-c("RV")
rv20<-svytable(formula = ~dic20$ciudad+dic20$RV, facViv)
rv20<-as.data.frame(rv20)
rv20<-cbind(rv20[1:87,c(1,3)],rv20[88:174,3])
rv20$tasa<-round(as.numeric(rv20[,2])/(as.numeric(rv20[,2])+as.numeric(rv20[,3]))*100000,2)
names(rv20)<-c("Estado","Sí", "No", "Tasa")

#RAV
#Robo de accesorios,refacciones o herramientas de vehículos (automóvil,   camioneta o camión)
dic20$BP1_6_2<-as.numeric(dic20$BP1_6_2)
dic20$BP1_6_2[dic20$BP1_6_2==9]<-NA
dic20$BP1_6_2<-factor(x = dic20$BP1_6_2, levels=c(1,2), labels=c("Sí", "No"))
colnames(dic20)[110]<-c("RaV")
rav20<-svytable(formula = ~dic20$ciudad+dic20$RaV, facViv)
rav20<-as.data.frame(rav20)
rav20<-cbind(rav20[1:87,c(1,3)],rav20[88:174,3])
rav20$tasa<-round(as.numeric(rav20[,2])/(as.numeric(rav20[,2])+as.numeric(rav20[,3]))*100000,2)
names(rav20)<-c("Estado","Sí", "No", "Tasa")


#RCH
#Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo
dic20$BP1_6_3<-as.numeric(dic20$BP1_6_3)
dic20$BP1_6_3[dic20$BP1_6_3==9]<-NA
dic20$BP1_6_3<-factor(x = dic20$BP1_6_3, levels=c(1,2), labels=c("Sí", "No"))
colnames(dic20)[111]<-c("rch")
rch20<-svytable(formula = ~dic20$ciudad+dic20$rch, facViv)
rch20<-as.data.frame(rch20)
rch20<-cbind(rch20[1:87,c(1,3)],rch20[88:174,3])
rch20$tasa<-round(as.numeric(rch20[,2])/(as.numeric(rch20[,2])+as.numeric(rch20[,3]))*100000,2)
names(rch20)<-c("Estado","Sí", "No", "Tasa")

#RAT
#Robo o asalto en la calle o en el transporte público (incluye robo en   banco o cajero automático)
dic20$BP1_6_4<-as.numeric(dic20$BP1_6_4)
dic20$BP1_6_4[dic20$BP1_6_4==9]<-NA
dic20$BP1_6_4<-factor(x = dic20$BP1_6_4, levels=c(1,2), labels=c("Sí", "No"))
colnames(dic20)[112]<-c("rat")
rat20<-svytable(formula = ~dic20$ciudad+dic20$rat, facViv)
rat20<-as.data.frame(rat20)
rat20<-cbind(rat20[1:87,c(1,3)],rat20[88:174,3])
rat20$tasa<-round(as.numeric(rat20[,2])/(as.numeric(rat20[,2])+as.numeric(rat20[,3]))*100000,2)
names(rat20)<-c("Estado","Sí", "No", "Tasa")

#RD
#Robo en forma distinta a las anteriores
dic20$BP1_6_5<-as.numeric(dic20$BP1_6_5)
dic20$BP1_6_5[dic20$BP1_6_5==9]<-NA
dic20$BP1_6_5<-factor(x = dic20$BP1_6_5, levels=c(1,2), labels=c("Sí", "No"))
colnames(dic20)[113]<-c("rd")
rd20<-svytable(formula = ~dic20$ciudad+dic20$rd, facViv)
rd20<-as.data.frame(rd20)
rd20<-cbind(rd20[1:87,c(1,3)],rd20[88:174,3])
rd20$tasa<-round(as.numeric(rd20[,2])/(as.numeric(rd20[,2])+as.numeric(rd20[,3]))*100000,2)
names(rd20)<-c("Estado","Sí", "No", "Tasa")



#exto
#Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)
dic20$BP1_6_6<-as.numeric(dic20$BP1_6_6)
dic20$BP1_6_6[dic20$BP1_6_6==9]<-NA
dic20$BP1_6_6<-factor(x = dic20$BP1_6_6, levels=c(1,2), labels=c("Sí", "No"))
colnames(dic20)[114]<-c("exto")
exto20<-svytable(formula = ~dic20$ciudad+dic20$exto, facViv)
exto20<-as.data.frame(exto20)
exto20<-cbind(exto20[1:87,c(1,3)],exto20[88:174,3])
exto20$tasa<-round(as.numeric(exto20[,2])/(as.numeric(exto20[,2])+as.numeric(exto20[,3]))*100000,2)
names(exto20)<-c("Estado","Sí", "No", "Tasa")

COn la pregunta “Durante este año 2020, es decir, de enero a la fecha, ¿algún integrante de este hogar incluido usted, sufrieron la situación…” la ENSU aproxima niveles de victimización por hogares (número de hogares en los que al menos uno de sus miembros ha sido víctima de al menos un delito al menos una vez), no de incidencia delictiva (los delitos totales,que pueden implicar victimización repetida y victimización múltiple.)

La ENSU contempla 87 áreas urbanas o ciudades de interés, en arreglo con inegi, porque la mayor parte de los casos de victimización en el país, cerca del 66.8%, ocurren en éstas.

Los delitos considerados y los niveles de victimización en cada ciudad son los siguientes:

Robo total de vehículo (automóvil, camioneta o camión)

kable(rv20,caption="Robo total de vehículo (automóvil, camioneta o camión)")
Robo total de vehículo (automóvil, camioneta o camión)
Estado Sí No Tasa
Acapulco, Guerrero 1915 220628 860.51
Aguascalientes, Aguascalientes 3857 246301 1541.83
Alvaro Obregon, Ciudad de Mexico 4250 264721 1580.10
Apodaca, Nuevo Leon 1056 148696 705.17
Atizapan de Zaragoza, Mexico 5773 168672 3309.35
Azcapotzalco, Ciudad de Mexico 2883 150358 1881.35
Benito Juarez, Ciudad de Mexico 2574 199692 1272.58
Campeche, Campeche 1269 82177 1520.74
Cancun, Quintana Roo 3582 282429 1252.40
Chihuahua, Chihuahua 4466 303991 1447.85
Chilpancingo de los Bravo, Guerrero 453 58971 762.32
Chimalhuacan, Mexico 6490 193236 3249.45
Ciudad del Carmen, Campeche 939 56877 1624.12
Ciudad Juarez, Chihuahua 10882 456371 2328.93
Ciudad Nezahualcoyotl, Mexico 30342 384892 7307.21
Coatzacoalcos, Veracruz de Ignacio de la Llave 2077 91128 2228.42
Colima, Colima 1197 98849 1196.45
Coyoacan, Ciudad de Mexico 1688 205761 813.69
Cuajimalpa de Morelos, Ciudad de Mexico 315 65678 477.32
Cuauhtemoc, Ciudad de Mexico 4826 199755 2358.97
Cuautitlan Izcalli, Mexico 16301 161714 9157.09
Cuernavaca, Morelos 10220 262281 3750.44
Culiacan, Sinaloa 3799 240255 1556.62
Durango, Durango 1255 172637 721.71
Ecatepec de Morelos, Mexico 29709 517708 5427.12
Fresnillo, Zacatecas 987 37174 2586.41
Gral. Escobedo, Nuevo Leon 3350 108356 2998.94
Guadalajara, Jalisco 43820 499641 8063.14
Guadalupe, Nuevo Leon 2289 229858 986.01
Guanajuato, Guanajuato 606 36203 1646.34
Gustavo A. Madero, Ciudad de Mexico 8386 395155 2078.10
Hermosillo, Sonora 4572 260529 1724.63
Ixtapa-Zihuatanejo, Guerrero 476 32016 1464.98
Iztacalco, Ciudad de Mexico 5606 149159 3622.27
Iztapalapa, Ciudad de Mexico 27704 522617 5034.15
La Laguna, Coahuila de Zaragoza 4156 214788 1898.20
La Laguna, Durango 1437 128423 1106.58
La Magdalena Contreras, Ciudad de Mexico 4623 76312 5711.99
La Paz, Baja California Sur 1996 100350 1950.25
Lazaro Cardenas, Michoacan de Ocampo 1252 86595 1425.21
Leon, Guanajuato 10397 435081 2333.90
Los Cabos, Baja California Sur 201 61789 324.25
Los Mochis, Sinaloa 519 91129 566.30
Manzanillo, Colima 172 49607 345.53
Mazatlan, Sinaloa 3179 139473 2228.50
Merida, Yucatan 2550 343472 736.95
Mexicali, Baja California 5174 271609 1869.33
Miguel Hidalgo, Ciudad de Mexico 1740 159291 1080.54
Milpa Alta, Ciudad de Mexico 852 34936 2380.69
Monterrey, Nuevo Leon 4118 395650 1030.10
Morelia, Michoacan de Ocampo 2556 217320 1162.47
Naucalpan de Juarez, Mexico 13960 292097 4561.24
Nogales, Sonora 769 77295 985.09
Nuevo Laredo, Tamaulipas 2956 117894 2446.01
Oaxaca, Oaxaca 2404 163722 1447.09
Pachuca, Hidalgo 1829 116686 1543.26
Piedras Negras, Coahuila de Zaragoza 1027 52284 1926.43
Puebla, Puebla 11871 652012 1788.12
Puerto Vallarta, Jalisco 897 77202 1148.54
Queretaro, Queretaro 6372 267127 2329.81
Reynosa, Tamaulipas 2689 211998 1252.52
Saltillo, Coahuila de Zaragoza 6991 250504 2715.00
San Luis Potosi, San Luis Potosi 10873 317466 3311.52
San Nicolas de los Garza, Nuevo Leon 679 168986 400.20
San Pedro Garza Garcia, Nuevo Leon 414 43989 932.37
San Pedro Tlaquepaque, Jalisco 3532 177945 1946.25
Santa Catarina, Nuevo Leon 746 90896 814.04
Tampico, Tamaulipas 617 241156 255.20
Tampico, Veracruz de Ignacio de la Llave 0 20593 0.00
Tapachula, Chiapas 439 69238 630.05
Tepic, Nayarit 2017 146219 1360.67
Tijuana, Baja California 9482 548312 1699.91
Tlahuac, Ciudad de Mexico 4517 119507 3642.04
Tlajomulco de Zuñiga, Jalisco 966 24744 3757.29
Tlalnepantla de Baz, Mexico 12242 232181 5008.53
Tlalpan, Ciudad de Mexico 7731 200144 3719.06
Tlaxcala, Tlaxcala 1498 209481 710.02
Toluca, Mexico 15162 386988 3770.23
Tonala, Jalisco 6275 130953 4572.68
Tuxtla Gutierrez, Chiapas 3625 213058 1672.95
Uruapan, Michoacan de Ocampo 2960 86829 3296.62
Venustiano Carranza, Ciudad de Mexico 6224 143427 4159.01
Veracruz, Veracruz de Ignacio de la Llave 1835 238533 763.41
Villahermosa, Tabasco 4108 139406 2862.44
Xochimilco, Ciudad de Mexico 2581 139222 1820.13
Zacatecas, Zacatecas 1055 85804 1214.61
Zapopan, Jalisco 11230 385964 2827.33

Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión)

kable(rav20,caption="Robo de accesorios,refacciones o herramientas de vehículos (automóvil,   camioneta o camión)")
Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión)
Estado Sí No Tasa
Acapulco, Guerrero 5079 217464 2282.26
Aguascalientes, Aguascalientes 39394 210764 15747.65
Alvaro Obregon, Ciudad de Mexico 21788 247183 8100.50
Apodaca, Nuevo Leon 14510 135242 9689.35
Atizapan de Zaragoza, Mexico 16824 157621 9644.30
Azcapotzalco, Ciudad de Mexico 12985 140256 8473.58
Benito Juarez, Ciudad de Mexico 36328 165938 17960.51
Campeche, Campeche 2721 80725 3260.79
Cancun, Quintana Roo 23868 262143 8345.13
Chihuahua, Chihuahua 24391 284066 7907.42
Chilpancingo de los Bravo, Guerrero 1920 57504 3231.02
Chimalhuacan, Mexico 18081 181645 9052.90
Ciudad del Carmen, Campeche 5470 52346 9461.05
Ciudad Juarez, Chihuahua 18706 448547 4003.40
Ciudad Nezahualcoyotl, Mexico 68051 347183 16388.59
Coatzacoalcos, Veracruz de Ignacio de la Llave 3733 89472 4005.15
Colima, Colima 5595 94451 5592.43
Coyoacan, Ciudad de Mexico 24007 183442 11572.48
Cuajimalpa de Morelos, Ciudad de Mexico 2014 63979 3051.84
Cuauhtemoc, Ciudad de Mexico 30076 174505 14701.27
Cuautitlan Izcalli, Mexico 24076 153939 13524.70
Cuernavaca, Morelos 26315 246186 9656.85
Culiacan, Sinaloa 9257 234797 3793.01
Durango, Durango 9824 164068 5649.48
Ecatepec de Morelos, Mexico 57620 489797 10525.80
Fresnillo, Zacatecas 3694 34467 9680.04
Gral. Escobedo, Nuevo Leon 6514 105192 5831.38
Guadalajara, Jalisco 72281 471180 13300.13
Guadalupe, Nuevo Leon 14269 217878 6146.54
Guanajuato, Guanajuato 3344 33465 9084.73
Gustavo A. Madero, Ciudad de Mexico 54684 348857 13551.04
Hermosillo, Sonora 20670 244431 7797.03
Ixtapa-Zihuatanejo, Guerrero 1677 30815 5161.27
Iztacalco, Ciudad de Mexico 16926 137839 10936.58
Iztapalapa, Ciudad de Mexico 57291 493030 10410.47
La Laguna, Coahuila de Zaragoza 18245 200699 8333.18
La Laguna, Durango 9281 120579 7146.93
La Magdalena Contreras, Ciudad de Mexico 14961 65974 18485.20
La Paz, Baja California Sur 9702 92644 9479.61
Lazaro Cardenas, Michoacan de Ocampo 4874 82973 5548.28
Leon, Guanajuato 63976 381502 14361.20
Los Cabos, Baja California Sur 1659 60331 2676.24
Los Mochis, Sinaloa 4033 87615 4400.53
Manzanillo, Colima 2214 47565 4447.66
Mazatlan, Sinaloa 7350 135302 5152.40
Merida, Yucatan 10409 335613 3008.19
Mexicali, Baja California 18921 257862 6836.04
Miguel Hidalgo, Ciudad de Mexico 17146 143885 10647.64
Milpa Alta, Ciudad de Mexico 1893 33895 5289.48
Monterrey, Nuevo Leon 32185 367583 8050.92
Morelia, Michoacan de Ocampo 20766 199110 9444.41
Naucalpan de Juarez, Mexico 33437 272620 10925.09
Nogales, Sonora 4495 73569 5758.10
Nuevo Laredo, Tamaulipas 6477 114373 5359.54
Oaxaca, Oaxaca 7944 158182 4781.91
Pachuca, Hidalgo 9586 108929 8088.43
Piedras Negras, Coahuila de Zaragoza 2775 50536 5205.30
Puebla, Puebla 63034 600849 9494.75
Puerto Vallarta, Jalisco 4996 73103 6397.01
Queretaro, Queretaro 15911 257588 5817.57
Reynosa, Tamaulipas 12877 201810 5998.03
Saltillo, Coahuila de Zaragoza 25431 232064 9876.31
San Luis Potosi, San Luis Potosi 41196 287143 12546.79
San Nicolas de los Garza, Nuevo Leon 13095 156570 7718.15
San Pedro Garza Garcia, Nuevo Leon 1948 42455 4387.09
San Pedro Tlaquepaque, Jalisco 14118 167359 7779.50
Santa Catarina, Nuevo Leon 6140 85502 6699.98
Tampico, Tamaulipas 6646 235127 2748.86
Tampico, Veracruz de Ignacio de la Llave 0 20593 0.00
Tapachula, Chiapas 1767 67910 2535.99
Tepic, Nayarit 8283 139953 5587.71
Tijuana, Baja California 27198 530596 4875.99
Tlahuac, Ciudad de Mexico 14544 109480 11726.76
Tlajomulco de Zuñiga, Jalisco 2270 23440 8829.25
Tlalnepantla de Baz, Mexico 25422 219001 10400.82
Tlalpan, Ciudad de Mexico 19542 188333 9400.84
Tlaxcala, Tlaxcala 10996 199983 5211.89
Toluca, Mexico 54225 347925 13483.77
Tonala, Jalisco 20922 116306 15246.16
Tuxtla Gutierrez, Chiapas 13501 203182 6230.76
Uruapan, Michoacan de Ocampo 9140 80649 10179.42
Venustiano Carranza, Ciudad de Mexico 23963 125688 16012.59
Veracruz, Veracruz de Ignacio de la Llave 8464 231904 3521.27
Villahermosa, Tabasco 11402 132112 7944.87
Xochimilco, Ciudad de Mexico 13722 128081 9676.81
Zacatecas, Zacatecas 7722 79137 8890.27
Zapopan, Jalisco 46862 350332 11798.26

Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo

kable(rch20, caption="Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo")
Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo
Estado Sí No Tasa
Acapulco, Guerrero 5668 216875 2546.92
Aguascalientes, Aguascalientes 17637 232521 7050.34
Alvaro Obregon, Ciudad de Mexico 8010 260961 2978.02
Apodaca, Nuevo Leon 7931 142360 5277.10
Atizapan de Zaragoza, Mexico 5913 168532 3389.61
Azcapotzalco, Ciudad de Mexico 5487 147754 3580.63
Benito Juarez, Ciudad de Mexico 2104 200162 1040.21
Campeche, Campeche 6209 77237 7440.74
Cancun, Quintana Roo 21923 264088 7665.09
Chihuahua, Chihuahua 19501 288956 6322.11
Chilpancingo de los Bravo, Guerrero 1903 57521 3202.41
Chimalhuacan, Mexico 10269 189457 5141.54
Ciudad del Carmen, Campeche 2577 55239 4457.24
Ciudad Juarez, Chihuahua 13884 453369 2971.41
Ciudad Nezahualcoyotl, Mexico 19785 395449 4764.78
Coatzacoalcos, Veracruz de Ignacio de la Llave 4146 89059 4448.26
Colima, Colima 4429 95617 4426.96
Coyoacan, Ciudad de Mexico 7221 201055 3467.03
Cuajimalpa de Morelos, Ciudad de Mexico 1000 64993 1515.31
Cuauhtemoc, Ciudad de Mexico 5500 199081 2688.42
Cuautitlan Izcalli, Mexico 8937 169078 5020.36
Cuernavaca, Morelos 10571 261930 3879.25
Culiacan, Sinaloa 8437 235617 3457.02
Durango, Durango 5066 168826 2913.30
Ecatepec de Morelos, Mexico 19393 528024 3542.64
Fresnillo, Zacatecas 2822 35339 7394.98
Gral. Escobedo, Nuevo Leon 4722 106984 4227.17
Guadalajara, Jalisco 34091 509370 6272.94
Guadalupe, Nuevo Leon 10475 221672 4512.23
Guanajuato, Guanajuato 2045 34764 5555.71
Gustavo A. Madero, Ciudad de Mexico 19913 383628 4934.57
Hermosillo, Sonora 22277 242824 8403.21
Ixtapa-Zihuatanejo, Guerrero 1631 30861 5019.70
Iztacalco, Ciudad de Mexico 3474 151291 2244.69
Iztapalapa, Ciudad de Mexico 46853 503468 8513.76
La Laguna, Coahuila de Zaragoza 13841 205103 6321.71
La Laguna, Durango 14000 115860 10780.84
La Magdalena Contreras, Ciudad de Mexico 6491 74444 8020.02
La Paz, Baja California Sur 3625 98721 3541.91
Lazaro Cardenas, Michoacan de Ocampo 1865 85982 2123.01
Leon, Guanajuato 41305 404173 9272.06
Los Cabos, Baja California Sur 2880 59110 4645.91
Los Mochis, Sinaloa 5767 85881 6292.55
Manzanillo, Colima 2112 47667 4242.75
Mazatlan, Sinaloa 4487 138165 3145.42
Merida, Yucatan 11945 334077 3452.09
Mexicali, Baja California 10564 266219 3816.71
Miguel Hidalgo, Ciudad de Mexico 500 160531 310.50
Milpa Alta, Ciudad de Mexico 2083 33705 5820.39
Monterrey, Nuevo Leon 15333 384435 3835.47
Morelia, Michoacan de Ocampo 15092 204784 6863.87
Naucalpan de Juarez, Mexico 11044 296055 3596.23
Nogales, Sonora 3495 74569 4477.10
Nuevo Laredo, Tamaulipas 3155 117695 2610.67
Oaxaca, Oaxaca 5592 160534 3366.12
Pachuca, Hidalgo 4799 113716 4049.28
Piedras Negras, Coahuila de Zaragoza 2706 50605 5075.88
Puebla, Puebla 26305 637578 3962.29
Puerto Vallarta, Jalisco 6194 71905 7930.96
Queretaro, Queretaro 10198 263301 3728.72
Reynosa, Tamaulipas 11443 203244 5330.09
Saltillo, Coahuila de Zaragoza 12757 244738 4954.27
San Luis Potosi, San Luis Potosi 11939 316400 3636.18
San Nicolas de los Garza, Nuevo Leon 9709 159956 5722.45
San Pedro Garza Garcia, Nuevo Leon 373 44030 840.03
San Pedro Tlaquepaque, Jalisco 11084 170393 6107.66
Santa Catarina, Nuevo Leon 2861 88781 3121.93
Tampico, Tamaulipas 6707 235066 2774.09
Tampico, Veracruz de Ignacio de la Llave 0 20593 0.00
Tapachula, Chiapas 6063 63614 8701.58
Tepic, Nayarit 6829 141407 4606.84
Tijuana, Baja California 28733 529061 5151.18
Tlahuac, Ciudad de Mexico 5881 119736 4681.69
Tlajomulco de Zuñiga, Jalisco 883 24827 3434.46
Tlalnepantla de Baz, Mexico 9117 236211 3716.25
Tlalpan, Ciudad de Mexico 6786 200494 3273.83
Tlaxcala, Tlaxcala 11065 199914 5244.60
Toluca, Mexico 14346 387804 3567.33
Tonala, Jalisco 7922 129306 5772.87
Tuxtla Gutierrez, Chiapas 8688 207995 4009.54
Uruapan, Michoacan de Ocampo 7191 82598 8008.78
Venustiano Carranza, Ciudad de Mexico 4707 144944 3145.32
Veracruz, Veracruz de Ignacio de la Llave 12157 228211 5057.66
Villahermosa, Tabasco 7076 136438 4930.53
Xochimilco, Ciudad de Mexico 6055 135748 4270.01
Zacatecas, Zacatecas 3575 83284 4115.87
Zapopan, Jalisco 25638 371556 6454.78

Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático)

kable(rat20, caption="Robo o asalto en la calle o en el transporte público (incluye robo en   banco o cajero automático)")
Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático)
Estado Sí No Tasa
Acapulco, Guerrero 18490 204053 8308.51
Aguascalientes, Aguascalientes 18000 232158 7195.45
Alvaro Obregon, Ciudad de Mexico 28281 240690 10514.52
Apodaca, Nuevo Leon 9401 140311 6279.39
Atizapan de Zaragoza, Mexico 38400 136045 22012.67
Azcapotzalco, Ciudad de Mexico 19091 134150 12458.15
Benito Juarez, Ciudad de Mexico 15763 186503 7793.20
Campeche, Campeche 2605 80841 3121.78
Cancun, Quintana Roo 28805 257206 10071.29
Chihuahua, Chihuahua 12879 295578 4175.30
Chilpancingo de los Bravo, Guerrero 2386 57038 4015.21
Chimalhuacan, Mexico 53327 146399 26700.08
Ciudad del Carmen, Campeche 2998 54818 5185.42
Ciudad Juarez, Chihuahua 22341 444912 4781.35
Ciudad Nezahualcoyotl, Mexico 80783 334451 19454.81
Coatzacoalcos, Veracruz de Ignacio de la Llave 10099 83106 10835.26
Colima, Colima 783 99263 782.64
Coyoacan, Ciudad de Mexico 17693 190583 8494.98
Cuajimalpa de Morelos, Ciudad de Mexico 4473 61520 6777.99
Cuauhtemoc, Ciudad de Mexico 38064 166517 18605.83
Cuautitlan Izcalli, Mexico 42972 135043 24139.54
Cuernavaca, Morelos 39982 232519 14672.24
Culiacan, Sinaloa 9082 234972 3721.31
Durango, Durango 4082 169810 2347.43
Ecatepec de Morelos, Mexico 131314 416103 23987.93
Fresnillo, Zacatecas 2546 35615 6671.73
Gral. Escobedo, Nuevo Leon 6913 104793 6188.57
Guadalajara, Jalisco 74365 470902 13638.27
Guadalupe, Nuevo Leon 9911 222236 4269.28
Guanajuato, Guanajuato 989 35820 2686.84
Gustavo A. Madero, Ciudad de Mexico 56047 347494 13888.80
Hermosillo, Sonora 9665 255436 3645.78
Ixtapa-Zihuatanejo, Guerrero 1804 30688 5552.14
Iztacalco, Ciudad de Mexico 19458 135307 12572.61
Iztapalapa, Ciudad de Mexico 151063 399258 27449.98
La Laguna, Coahuila de Zaragoza 13426 205518 6132.16
La Laguna, Durango 9556 120304 7358.69
La Magdalena Contreras, Ciudad de Mexico 16366 64569 20221.17
La Paz, Baja California Sur 1731 100615 1691.32
Lazaro Cardenas, Michoacan de Ocampo 4833 83014 5501.61
Leon, Guanajuato 52227 393251 11723.81
Los Cabos, Baja California Sur 551 61439 888.85
Los Mochis, Sinaloa 1133 90515 1236.25
Manzanillo, Colima 1271 47936 2582.97
Mazatlan, Sinaloa 5321 137331 3730.06
Merida, Yucatan 4676 341346 1351.36
Mexicali, Baja California 4510 272273 1629.44
Miguel Hidalgo, Ciudad de Mexico 24222 136809 15041.82
Milpa Alta, Ciudad de Mexico 5232 30446 14664.50
Monterrey, Nuevo Leon 9539 390229 2386.13
Morelia, Michoacan de Ocampo 20293 198977 9254.80
Naucalpan de Juarez, Mexico 72866 233296 23799.82
Nogales, Sonora 1679 76385 2150.80
Nuevo Laredo, Tamaulipas 4322 116528 3576.33
Oaxaca, Oaxaca 22859 143267 13760.04
Pachuca, Hidalgo 7053 111462 5951.15
Piedras Negras, Coahuila de Zaragoza 1528 51783 2866.20
Puebla, Puebla 76178 587705 11474.61
Puerto Vallarta, Jalisco 2627 75472 3363.68
Queretaro, Queretaro 15134 258365 5533.48
Reynosa, Tamaulipas 5691 207871 2664.80
Saltillo, Coahuila de Zaragoza 7464 248728 2913.44
San Luis Potosi, San Luis Potosi 31235 297104 9513.03
San Nicolas de los Garza, Nuevo Leon 8016 161649 4724.60
San Pedro Garza Garcia, Nuevo Leon 447 43549 1016.00
San Pedro Tlaquepaque, Jalisco 19064 162413 10504.91
Santa Catarina, Nuevo Leon 4151 87491 4529.58
Tampico, Tamaulipas 9511 232262 3933.86
Tampico, Veracruz de Ignacio de la Llave 0 20593 0.00
Tapachula, Chiapas 6986 62691 10026.26
Tepic, Nayarit 1631 146605 1100.27
Tijuana, Baja California 27675 530119 4961.51
Tlahuac, Ciudad de Mexico 27147 98470 21610.93
Tlajomulco de Zuñiga, Jalisco 1815 23895 7059.51
Tlalnepantla de Baz, Mexico 40250 205078 16406.61
Tlalpan, Ciudad de Mexico 25214 182661 12129.40
Tlaxcala, Tlaxcala 17738 193241 8407.47
Toluca, Mexico 62215 339935 15470.60
Tonala, Jalisco 26462 110766 19283.24
Tuxtla Gutierrez, Chiapas 26665 190018 12306.00
Uruapan, Michoacan de Ocampo 8986 80803 10007.91
Venustiano Carranza, Ciudad de Mexico 35131 114520 23475.29
Veracruz, Veracruz de Ignacio de la Llave 11186 229182 4653.70
Villahermosa, Tabasco 14878 128636 10366.93
Xochimilco, Ciudad de Mexico 18987 122816 13389.70
Zacatecas, Zacatecas 4411 82448 5078.35
Zapopan, Jalisco 33309 363885 8386.08 
                                                      ### Robo en forma distinta a las anteriores
kable(rd20, caption="Robo en forma distinta a las anteriores")
Robo en forma distinta a las anteriores
Estado Sí No Tasa
Acapulco, Guerrero 2770 219773 1244.70
Aguascalientes, Aguascalientes 5497 244661 2197.41
Alvaro Obregon, Ciudad de Mexico 3825 265146 1422.09
Apodaca, Nuevo Leon 4464 145827 2970.24
Atizapan de Zaragoza, Mexico 689 173756 394.97
Azcapotzalco, Ciudad de Mexico 739 152502 482.25
Benito Juarez, Ciudad de Mexico 2260 199091 1122.42
Campeche, Campeche 785 82661 940.73
Cancun, Quintana Roo 4450 281561 1555.88
Chihuahua, Chihuahua 3515 304942 1139.54
Chilpancingo de los Bravo, Guerrero 413 59011 695.01
Chimalhuacan, Mexico 1639 198087 820.62
Ciudad del Carmen, Campeche 186 57630 321.71
Ciudad Juarez, Chihuahua 3524 463729 754.20
Ciudad Nezahualcoyotl, Mexico 3074 412160 740.31
Coatzacoalcos, Veracruz de Ignacio de la Llave 1107 92098 1187.70
Colima, Colima 1193 98853 1192.45
Coyoacan, Ciudad de Mexico 738 207538 354.34
Cuajimalpa de Morelos, Ciudad de Mexico 1525 64468 2310.85
Cuauhtemoc, Ciudad de Mexico 2744 201837 1341.28
Cuautitlan Izcalli, Mexico 5022 172993 2821.11
Cuernavaca, Morelos 2284 270217 838.16
Culiacan, Sinaloa 1716 242338 703.12
Durango, Durango 1193 172699 686.06
Ecatepec de Morelos, Mexico 9594 535821 1759.03
Fresnillo, Zacatecas 370 37791 969.58
Gral. Escobedo, Nuevo Leon 1944 109762 1740.28
Guadalajara, Jalisco 11859 533408 2174.90
Guadalupe, Nuevo Leon 1528 230619 658.20
Guanajuato, Guanajuato 0 36809 0.00
Gustavo A. Madero, Ciudad de Mexico 7529 394777 1871.46
Hermosillo, Sonora 2114 262987 797.43
Ixtapa-Zihuatanejo, Guerrero 0 32492 0.00
Iztacalco, Ciudad de Mexico 0 154268 0.00
Iztapalapa, Ciudad de Mexico 4276 546045 777.00
La Laguna, Coahuila de Zaragoza 2681 214872 1232.34
La Laguna, Durango 1529 128331 1177.42
La Magdalena Contreras, Ciudad de Mexico 275 80660 339.78
La Paz, Baja California Sur 1814 100532 1772.42
Lazaro Cardenas, Michoacan de Ocampo 755 87092 859.45
Leon, Guanajuato 4934 440544 1107.57
Los Cabos, Baja California Sur 155 61835 250.04
Los Mochis, Sinaloa 1697 89951 1851.65
Manzanillo, Colima 0 49779 0.00
Mazatlan, Sinaloa 0 142652 0.00
Merida, Yucatan 4846 341176 1400.49
Mexicali, Baja California 810 275973 292.65
Miguel Hidalgo, Ciudad de Mexico 4385 156646 2723.08
Milpa Alta, Ciudad de Mexico 304 35374 852.07
Monterrey, Nuevo Leon 1905 397863 476.53
Morelia, Michoacan de Ocampo 7776 211494 3546.31
Naucalpan de Juarez, Mexico 0 305810 0.00
Nogales, Sonora 1070 76994 1370.67
Nuevo Laredo, Tamaulipas 527 120323 436.08
Oaxaca, Oaxaca 2085 164041 1255.07
Pachuca, Hidalgo 1583 116932 1335.70
Piedras Negras, Coahuila de Zaragoza 573 52738 1074.83
Puebla, Puebla 10698 653185 1611.43
Puerto Vallarta, Jalisco 685 77414 877.09
Queretaro, Queretaro 4286 269213 1567.10
Reynosa, Tamaulipas 2638 210924 1235.24
Saltillo, Coahuila de Zaragoza 1409 254822 549.89
San Luis Potosi, San Luis Potosi 6699 321640 2040.27
San Nicolas de los Garza, Nuevo Leon 3945 165720 2325.17
San Pedro Garza Garcia, Nuevo Leon 334 44069 752.20
San Pedro Tlaquepaque, Jalisco 3737 177740 2059.21
Santa Catarina, Nuevo Leon 716 90926 781.30
Tampico, Tamaulipas 0 241773 0.00
Tampico, Veracruz de Ignacio de la Llave 0 20593 0.00
Tapachula, Chiapas 1246 68431 1788.25
Tepic, Nayarit 1478 146758 997.06
Tijuana, Baja California 3953 553841 708.68
Tlahuac, Ciudad de Mexico 1650 123967 1313.52
Tlajomulco de Zuñiga, Jalisco 438 25272 1703.62
Tlalnepantla de Baz, Mexico 3440 241888 1402.20
Tlalpan, Ciudad de Mexico 2118 205757 1018.88
Tlaxcala, Tlaxcala 4131 206848 1958.01
Toluca, Mexico 8972 393178 2231.01
Tonala, Jalisco 4643 132585 3383.42
Tuxtla Gutierrez, Chiapas 1846 214837 851.94
Uruapan, Michoacan de Ocampo 1106 88683 1231.78
Venustiano Carranza, Ciudad de Mexico 2729 146922 1823.58
Veracruz, Veracruz de Ignacio de la Llave 3425 236943 1424.90
Villahermosa, Tabasco 3862 139161 2700.26
Xochimilco, Ciudad de Mexico 4119 137684 2904.73
Zacatecas, Zacatecas 917 85942 1055.73
Zapopan, Jalisco 8049 389145 2026.47 
                                                      ### Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)
kable(exto20,caption="Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)")
Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)
Estado Sí No Tasa
Acapulco, Guerrero 25175 197368 11312.42
Aguascalientes, Aguascalientes 33359 216799 13335.17
Alvaro Obregon, Ciudad de Mexico 23469 245502 8725.48
Apodaca, Nuevo Leon 13399 136892 8915.37
Atizapan de Zaragoza, Mexico 30409 144036 17431.86
Azcapotzalco, Ciudad de Mexico 20358 132883 13284.96
Benito Juarez, Ciudad de Mexico 21081 181185 10422.41
Campeche, Campeche 6004 77442 7195.07
Cancun, Quintana Roo 29246 256765 10225.48
Chihuahua, Chihuahua 33545 274912 10875.10
Chilpancingo de los Bravo, Guerrero 6034 53390 10154.15
Chimalhuacan, Mexico 24818 174908 12426.02
Ciudad del Carmen, Campeche 7031 50785 12160.99
Ciudad Juarez, Chihuahua 13024 454229 2787.36
Ciudad Nezahualcoyotl, Mexico 44132 371102 10628.22
Coatzacoalcos, Veracruz de Ignacio de la Llave 11719 81486 12573.36
Colima, Colima 18518 81528 18509.49
Coyoacan, Ciudad de Mexico 25140 183136 12070.52
Cuajimalpa de Morelos, Ciudad de Mexico 6323 59670 9581.32
Cuauhtemoc, Ciudad de Mexico 34323 170258 16777.22
Cuautitlan Izcalli, Mexico 22089 155926 12408.50
Cuernavaca, Morelos 41337 231164 15169.49
Culiacan, Sinaloa 18410 225644 7543.41
Durango, Durango 21349 152543 12277.16
Ecatepec de Morelos, Mexico 66035 479380 12107.29
Fresnillo, Zacatecas 6094 32067 15969.18
Gral. Escobedo, Nuevo Leon 8470 103236 7582.40
Guadalajara, Jalisco 83641 461626 15339.46
Guadalupe, Nuevo Leon 13777 218370 5934.60
Guanajuato, Guanajuato 1624 35185 4411.96
Gustavo A. Madero, Ciudad de Mexico 45875 357666 11368.11
Hermosillo, Sonora 30038 235063 11330.78
Ixtapa-Zihuatanejo, Guerrero 4618 27759 14263.21
Iztacalco, Ciudad de Mexico 8651 146114 5589.77
Iztapalapa, Ciudad de Mexico 110655 439666 20107.36
La Laguna, Coahuila de Zaragoza 15649 203295 7147.49
La Laguna, Durango 13477 116383 10378.10
La Magdalena Contreras, Ciudad de Mexico 13790 67145 17038.36
La Paz, Baja California Sur 12887 89459 12591.60
Lazaro Cardenas, Michoacan de Ocampo 13192 74655 15017.02
Leon, Guanajuato 47917 397561 10756.31
Los Cabos, Baja California Sur 4450 57540 7178.58
Los Mochis, Sinaloa 5251 86397 5729.53
Manzanillo, Colima 5620 44159 11289.90
Mazatlan, Sinaloa 5007 137645 3509.94
Merida, Yucatan 25086 320936 7249.83
Mexicali, Baja California 16374 260409 5915.83
Miguel Hidalgo, Ciudad de Mexico 10949 150082 6799.31
Milpa Alta, Ciudad de Mexico 4502 31286 12579.64
Monterrey, Nuevo Leon 31986 367782 8001.14
Morelia, Michoacan de Ocampo 40044 179226 18262.42
Naucalpan de Juarez, Mexico 32774 271043 10787.41
Nogales, Sonora 6337 71727 8117.70
Nuevo Laredo, Tamaulipas 15522 105328 12844.02
Oaxaca, Oaxaca 23318 142808 14036.33
Pachuca, Hidalgo 21940 96575 18512.42
Piedras Negras, Coahuila de Zaragoza 4102 49209 7694.47
Puebla, Puebla 86572 577311 13040.25
Puerto Vallarta, Jalisco 7393 70706 9466.19
Queretaro, Queretaro 27198 246301 9944.46
Reynosa, Tamaulipas 22229 191333 10408.69
Saltillo, Coahuila de Zaragoza 23063 234432 8956.68
San Luis Potosi, San Luis Potosi 28729 299610 8749.80
San Nicolas de los Garza, Nuevo Leon 13951 155331 8241.28
San Pedro Garza Garcia, Nuevo Leon 5092 39311 11467.69
San Pedro Tlaquepaque, Jalisco 20006 161471 11023.99
Santa Catarina, Nuevo Leon 3793 87849 4138.93
Tampico, Tamaulipas 17637 224136 7294.86
Tampico, Veracruz de Ignacio de la Llave 0 20593 0.00
Tapachula, Chiapas 10822 58855 15531.67
Tepic, Nayarit 14746 133490 9947.65
Tijuana, Baja California 44444 513350 7967.82
Tlahuac, Ciudad de Mexico 16688 108929 13284.83
Tlajomulco de Zuñiga, Jalisco 4059 21651 15787.63
Tlalnepantla de Baz, Mexico 25246 220082 10290.71
Tlalpan, Ciudad de Mexico 28711 179164 13811.67
Tlaxcala, Tlaxcala 11370 199609 5389.16
Toluca, Mexico 46704 355446 11613.58
Tonala, Jalisco 16836 120392 12268.63
Tuxtla Gutierrez, Chiapas 20955 195728 9670.81
Uruapan, Michoacan de Ocampo 22652 67137 25228.03
Venustiano Carranza, Ciudad de Mexico 16306 133345 10896.02
Veracruz, Veracruz de Ignacio de la Llave 13796 226572 5739.53
Villahermosa, Tabasco 18379 125135 12806.42
Xochimilco, Ciudad de Mexico 14042 127761 9902.47
Zacatecas, Zacatecas 13766 73093 15848.67
Zapopan, Jalisco 51372 345822 12933.73

Resumen para Querétaro

qroDeldic20<-rbind(rv20[60,],rav20[60,],rch20[60,],rat20[60,],rd20[60,],exto20[60,])
names(qroDeldic20)[1]<-c("Delito")
qroDeldic20[,1]<-c("Robo total de vehículo (automóvil, camioneta o camión)","Robo de accesorios,refacciones o herramientas de vehículos (automóvil,   camioneta o camión)","Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo","Robo o asalto en la calle o en el transporte público (incluye robo en   banco o cajero automático)","Robo en forma distinta a las anteriores","Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)")
qroDeldic20$posicionNacional<-NA

qroDeldic20$posicionNacional<-c(
length(rv20$Tasa[rv20$Tasa>rv20$Tasa[60]])+1,
length(rav20$Tasa[rav20$Tasa>rav20$Tasa[60]])+1,
length(rch20$Tasa[rch20$Tasa>rch20$Tasa[60]])+1,
length(rat20$Tasa[rat20$Tasa>rat20$Tasa[60]])+1,
length(rd20$Tasa[rd20$Tasa>rd20$Tasa[60]])+1,
length(exto20$Tasa[exto20$Tasa>exto20$Tasa[60]])+1
)
kable(qroDeldic20)
Delito Sí No Tasa posicionNacional
60 Robo total de vehículo (automóvil, camioneta o camión) 6372 267127 2329.81 30
601 Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión) 15911 257588 5817.57 58
602 Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo 10198 263301 3728.72 55
603 Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático) 15134 258365 5533.48 52
604 Robo en forma distinta a las anteriores 4286 269213 1567.10 26
605 Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión) 27198 246301 9944.46 55

Aprobación de la Policía Preventiva Municipal (suma de quienes consideran el desempeño Muy efectivo y Algo efectivo )

dicCB1$NOM_CD=NA
for(i in 1:nrow(ciudades)){
  dicCB1$NOM_CD[as.character(dicCB1$CD)==ciudades[i,1]]<-ciudades[i,2]
}

facInddic20<-svydesign(ids = dicCB1$ID_PER, weights = dicCB1$FAC_SEL)  
dicCB1$ciudad<-paste0(dicCB1$NOM_CD,", ",dicCB1$NOM_ENT)
dicCB1$BP1_8_1<-as.numeric(dicCB1$BP1_8_1)
#dic20$BP1_8_1[dic20$BP1_8_1==9]<-NA
dicCB1$BP1_8_1<-factor(x = dicCB1$BP1_8_1,levels = c(1,2,3,9), labels = c("Sí", "No","No aplica","NS"))
reconocenPM_2020<-svytable(formula = ~dicCB1$ciudad + dicCB1$BP1_8_1,facInddic20)
#mayores<-svytable(formula = ~dic20$ciudad + ,facPer)
reconocenPM_2020<-as.data.frame(reconocenPM_2020)
x<-as.data.frame(reconocenPM_2020$dicCB1.ciudad[1:87])
reconocenPM_2020<-cbind(x,reconocenPM_2020[1:87,3],reconocenPM_2020[88:174,3],reconocenPM_2020[175:261,3])

names(reconocenPM_2020)<-c("ciudad", "si","no","no_aplica")

reconocenPM_2020$total<-reconocenPM_2020$si+reconocenPM_2020$no

reconocenPM_2020$porcentaje<-reconocenPM_2020$si/(reconocenPM_2020$si+reconocenPM_2020$no)*100

posicionPM<-length(reconocenPM_2020$porcentaje[!is.na(reconocenPM_2020$porcentaje) & reconocenPM_2020$porcentaje>reconocenPM_2020$porcentaje[60]])+1

reconocenPM<-subset(x = dicCB1, subset = dicCB1$BP1_8_1=="Sí")
#reconocenPM$miID<-1:nrow(reconocenPM)
factIndR<-svydesign(ids = reconocenPM$ID_PER, data = reconocenPM, weights = reconocenPM$FAC_SEL)
#factR<-svydesign(ids = reconocenPM$miID,weights = reconocenPM$FAC_SEL)
reconocenPM$BP1_9_1[reconocenPM$BP1_9_1==9]<-NA
reconocenPM$BP1_9_1<-factor(reconocenPM$BP1_9_1,levels = c(1,2,3,4))
byCD<-svytable(~reconocenPM$ciudad+reconocenPM$BP1_9_1, factIndR)
byCD<-as.data.frame(byCD)
names(byCD)<-c("ciudad","efe","value")
byCD<-dcast(data = byCD,formula = ciudad~efe,fun.aggregate = sum)
byCD<-cbind(byCD,as.data.frame(aggregate(reconocenPM$FAC_SEL~reconocenPM$ciudad,reconocenPM,sum ))[2])
byCD$p<-round((byCD[2]+byCD[3])/byCD[6]*100,2)
#byCD<-cbind(cd,byCD)
posicionEvaluacionPM<-length(byCD$p[byCD$p>byCD$p[48,1]])+1
names(byCD)<-c("Ciudad","Muy efectivo","Algo efectivo",         "Poco efectivo",            "Nada efectivo","Población", "Porcentaje que aprueba")
kable(byCD, caption="¿Qué tan efectivo considera el desempeño de la Policía Preventiva Municipal")
¿Qué tan efectivo considera el desempeño de la Policía Preventiva Municipal
Ciudad Muy efectivo Algo efectivo Poco efectivo Nada efectivo Población Porcentaje que aprueba
Acapulco, Guerrero 22415 72374 201373 112119 418853 22.63
Aguascalientes, Aguascalientes 50076 220141 163767 72995 512726 52.70
Apodaca, Nuevo Leon 60623 161119 71325 15051 311313 71.23
Atizapan de Zaragoza, Mexico 17375 103219 156701 105502 391760 30.78
Campeche, Campeche 9635 41315 26138 12810 91385 55.75
Cancun, Quintana Roo 30163 106189 153427 208138 498690 27.34
Chihuahua, Chihuahua 54719 261705 180080 47040 544296 58.13
Chilpancingo de los Bravo, Guerrero 8781 40481 48764 30138 128164 38.44
Chimalhuacan, Mexico 26602 117290 215374 94817 454083 31.69
Ciudad del Carmen, Campeche 9265 21858 58835 22426 112565 27.65
Ciudad Juarez, Chihuahua 15155 288487 585825 96813 986280 30.79
Ciudad Nezahualcoyotl, Mexico 103878 422051 223225 126090 880944 59.70
Coatzacoalcos, Veracruz de Ignacio de la Llave 2115 45830 57089 46249 151283 31.69
Colima, Colima 20839 89687 54891 27069 192730 57.35
Cuautitlan Izcalli, Mexico 17958 78794 156535 127109 385449 25.10
Cuernavaca, Morelos 18091 82147 156327 97284 361681 27.71
Culiacan, Sinaloa 35992 155574 147073 58482 408527 46.89
Durango, Durango 40285 133324 101279 59377 335127 51.80
Ecatepec de Morelos, Mexico 42644 285277 484984 361379 1180825 27.77
Fresnillo, Zacatecas 1471 18918 31499 27072 78960 25.82
Gral. Escobedo, Nuevo Leon 29142 142579 53811 11162 239165 71.80
Guadalajara, Jalisco 26143 390248 386792 146603 961189 43.32
Guadalupe, Nuevo Leon 103286 220071 152379 31346 510780 63.31
Guanajuato, Guanajuato 6922 33131 24168 15998 80960 49.47
Hermosillo, Sonora 52636 177800 189636 100918 525623 43.84
Ixtapa-Zihuatanejo, Guerrero 1470 11250 21505 18177 53232 23.90
La Laguna, Coahuila de Zaragoza 16840 167290 150167 81129 422617 43.57
La Laguna, Durango 35332 79355 94241 41725 250653 45.76
La Paz, Baja California Sur 13659 77417 75027 23287 189990 47.94
Lazaro Cardenas, Michoacan de Ocampo 11921 46426 42011 38916 142238 41.02
Leon, Guanajuato 65646 308941 382129 142391 899107 41.66
Los Cabos, Baja California Sur 6724 44132 44632 18613 114880 44.27
Los Mochis, Sinaloa 16197 86546 59040 30539 194118 52.93
Manzanillo, Colima 4867 37157 27704 17084 87992 47.76
Mazatlan, Sinaloa 35501 76877 76032 59247 251663 44.65
Merida, Yucatan 128197 310281 77790 47439 568617 77.11
Mexicali, Baja California 22149 214221 179769 42428 473863 49.88
Monterrey, Nuevo Leon 36357 230644 171434 78718 524249 50.93
Morelia, Michoacan de Ocampo 5800 113566 158106 79332 356804 33.45
Naucalpan de Juarez, Mexico 42172 116671 184326 247112 603484 26.32
Nogales, Sonora 2690 36414 73896 51565 164565 23.76
Nuevo Laredo, Tamaulipas 12123 44889 26317 18352 111543 51.11
Oaxaca, Oaxaca 20526 140543 129936 49593 347153 46.40
Pachuca, Hidalgo 13718 100727 84218 42188 241785 47.33
Piedras Negras, Coahuila de Zaragoza 13926 40687 31450 16514 102577 53.24
Puebla, Puebla 77859 396479 375916 192983 1057248 44.87
Puerto Vallarta, Jalisco 25887 72885 42297 13617 156489 63.12
Queretaro, Queretaro 88770 249873 154525 51051 547230 61.88
Reynosa, Tamaulipas 21972 85415 100211 50605 264733 40.56
Saltillo, Coahuila de Zaragoza 142090 250032 129143 33907 561988 69.77
San Luis Potosi, San Luis Potosi 38048 130339 230318 156007 556790 30.24
San Nicolas de los Garza, Nuevo Leon 86804 199680 69876 23029 383967 74.61
San Pedro Garza Garcia, Nuevo Leon 42393 47540 4790 3717 99482 90.40
San Pedro Tlaquepaque, Jalisco 6374 90507 172092 97127 367265 26.38
Santa Catarina, Nuevo Leon 19296 81165 71483 18423 191027 52.59
Tampico, Tamaulipas 35015 140748 49469 22246 248394 70.76
Tampico, Veracruz de Ignacio de la Llave 4441 6442 1903 0 12786 85.12
Tapachula, Chiapas 2290 35944 71797 54770 165329 23.13
Tepic, Nayarit 24606 98620 80433 24750 230888 53.37
Tijuana, Baja California 46583 285821 398286 321204 1070278 31.06
Tlajomulco de Zuñiga, Jalisco 1154 15499 13928 7112 37920 43.92
Tlalnepantla de Baz, Mexico 37531 116909 175502 170568 501361 30.80
Tlaxcala, Tlaxcala 31508 213114 167905 85545 504154 48.52
Toluca, Mexico 33825 291904 311505 151829 797962 40.82
Tonala, Jalisco 13403 73676 102997 89679 279755 31.13
Tuxtla Gutierrez, Chiapas 29302 118078 112373 112665 379682 38.82
Uruapan, Michoacan de Ocampo 4946 26192 50828 40716 126540 24.61
Veracruz, Veracruz de Ignacio de la Llave 27115 112823 165756 42077 347771 40.24
Villahermosa, Tabasco 9025 57222 104800 36129 211172 31.37
Zacatecas, Zacatecas 8294 52343 66405 38323 165365 36.67
Zapopan, Jalisco 87148 222682 303444 133200 748003 41.42

Querétaro es la ciudad número 11 en efectividad de percibida la policía, entre las 71 consideradas por la ENSU y que cuentan con policía municipal.

Histórico Aprobación

Gráfico

tiempo<-c('Marzo-2016','Junio-2016','Septiembre-2016','Diciembre-2016','Marzo-2017','Junio-2017','Septiembre-2017','Diciembre-2017','Marzo-2018','Junio-2018','Septiembre-2018','Diciembre-2018','Marzo-2019','Junio-2019','Septiembre-2019','Diciembre-2019','Marzo-2020','Septiembre-2020','Diciembre-2020')
aprobacionQro<-c(42.6,40.2,53.7,50.4,52.1,52.1,49.2,56.5,55.3,48.7,55.1,56.1,52.7,59.4,53.6,51.9,62.3,60.9,61.8)
aprobacionNacional<-c(38.5,42.8,41.7,39.8,38.5,37.3,40.3,38.5,38.8,39.6,38.6,39.4,39.1,41.4,41.7,40.4,39.9,43.7,43.6)
orden<-1:19


historicoAprobacion<-data.frame(tiempo,aprobacionNacional,aprobacionQro,orden)
historicoAprobacion$orden<-factor(x = historicoAprobacion$orden, levels = 1:19, labels = tiempo)

#plot.new()
#plot.window(xlim = c(1,19), ylim = c(25,65))
#axis(2)
#title(main="Histórico de aprobación de eficacia de Policía municipal",ylab = "porcentaje de aprobación")
#lines(x = historicoAprobacion$aprobacionNacional, lty=2, col="red",lwd=2)
#lines(x = historicoAprobacion$aprobacionQro,type = "l", lty=2, col="green", lwd=2, )
#legend(inset=.025,"bottomright",legend = c("Nacional","Querétaro"),lty = c(1,2),col = c("red","green"))
#axis(side = 1,labels = tiempo, at = 1:18,las=2, cex=.7)

miplotly<-plot_ly(data = historicoAprobacion, y= historicoAprobacion$aprobacionNacional, x= historicoAprobacion$orden, type = "scatter",name = "Porcentaje de aprobación nacional de policías municipales",mode="lines")


add_trace(p=miplotly,y=historicoAprobacion$aprobacionQro, name="Porcentaje de aprobación de la policía municipal en Querétaro",mode="lines+markers", type = "scatter")
## Warning: `arrange_()` is deprecated as of dplyr 0.7.0.
## Please use `arrange()` instead.
## See vignette('programming') for more help
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.
#miplotly%>%layout(xaxis=list(type="category"))

Tabla

kable(historicoAprobacion[,1:3])
tiempo aprobacionNacional aprobacionQro
Marzo-2016 38.5 42.6
Junio-2016 42.8 40.2
Septiembre-2016 41.7 53.7
Diciembre-2016 39.8 50.4
Marzo-2017 38.5 52.1
Junio-2017 37.3 52.1
Septiembre-2017 40.3 49.2
Diciembre-2017 38.5 56.5
Marzo-2018 38.8 55.3
Junio-2018 39.6 48.7
Septiembre-2018 38.6 55.1
Diciembre-2018 39.4 56.1
Marzo-2019 39.1 52.7
Junio-2019 41.4 59.4
Septiembre-2019 41.7 53.6
Diciembre-2019 40.4 51.9
Marzo-2020 39.9 62.3
Septiembre-2020 43.7 60.9
Diciembre-2020 43.6 61.8

Confianza en la policía municipal

reconocenPM$BP1_10_1<-as.numeric(reconocenPM$BP1_10_1)
reconocenPM$BP1_10_1[reconocenPM$BP1_10_1==9]<-NA
reconocenPM$BP1_10_1<-factor(reconocenPM$BP1_10_1,levels = c(1,2,3,4))
confianzaPM<-svytable(~reconocenPM$ciudad+reconocenPM$BP1_10_1, factIndR)
confianzaPM<-as.data.frame(confianzaPM)
cd<-confianzaPM[1:71,1]
confianzaPM<-cbind(confianzaPM[1:71,3],confianzaPM[72:142,3],confianzaPM[143:213,3],confianzaPM[214:284,3])
confianzaPM<-cbind(confianzaPM,as.data.frame(aggregate(reconocenPM$FAC_SEL~reconocenPM$ciudad,reconocenPM,sum ))[2])
confianzaPM$p1<-round((confianzaPM[1]+confianzaPM[2])/confianzaPM[5]*100,2)
confianzaPM<-cbind(cd,confianzaPM)
posicionConfianzaPM<-length(confianzaPM$p[confianzaPM$p1>confianzaPM$p[48,1]])+1
names(confianzaPM)<-c("Ciudad","Mucha confianza","Algo de confianza","Algo de desconfianza","Mucha desconfianza","Población", "Porcentaje que confía")
kable(confianzaPM, caption="¿Cuánta confianza le inspira la Policía Preventiva Municipal")
¿Cuánta confianza le inspira la Policía Preventiva Municipal
Ciudad Mucha confianza Algo de confianza Algo de desconfianza Mucha desconfianza Población Porcentaje que confía
Acapulco, Guerrero 13493 135153 105419 155998 418853 35.49
Aguascalientes, Aguascalientes 47339 264153 92437 98799 512726 60.75
Apodaca, Nuevo Leon 43246 161433 83657 22977 311313 65.75
Atizapan de Zaragoza, Mexico 13397 134153 128169 114832 391760 37.66
Campeche, Campeche 5071 50168 16348 19798 91385 60.45
Cancun, Quintana Roo 25449 105038 124620 243583 498690 26.17
Chihuahua, Chihuahua 50319 280675 139474 73828 544296 60.81
Chilpancingo de los Bravo, Guerrero 5632 53232 35619 33681 128164 45.93
Chimalhuacan, Mexico 15726 139193 154652 141069 454083 34.12
Ciudad del Carmen, Campeche 6534 39536 37817 28074 112565 40.93
Ciudad Juarez, Chihuahua 9114 294006 515019 168141 986280 30.73
Ciudad Nezahualcoyotl, Mexico 61152 452890 205109 153262 880944 58.35
Coatzacoalcos, Veracruz de Ignacio de la Llave 2630 45542 53519 49592 151283 31.84
Colima, Colima 14345 90578 49629 36975 192730 54.44
Cuautitlan Izcalli, Mexico 4718 77171 149933 149809 385449 21.25
Cuernavaca, Morelos 8582 114192 105070 129197 361681 33.95
Culiacan, Sinaloa 33874 194325 97432 81093 408527 55.86
Durango, Durango 35310 134957 83743 81117 335127 50.81
Ecatepec de Morelos, Mexico 31920 446238 271682 412561 1180825 40.49
Fresnillo, Zacatecas 997 28823 20402 28738 78960 37.77
Gral. Escobedo, Nuevo Leon 29532 148012 39308 17805 239165 74.23
Guadalajara, Jalisco 23609 386703 256744 288922 961189 42.69
Guadalupe, Nuevo Leon 59634 265562 129183 52703 510780 63.67
Guanajuato, Guanajuato 5624 48346 16946 9571 80960 66.66
Hermosillo, Sonora 34315 201643 145247 133743 525623 44.89
Ixtapa-Zihuatanejo, Guerrero 2205 14463 14985 21319 53232 31.31
La Laguna, Coahuila de Zaragoza 8498 166324 154003 93792 422617 41.37
La Laguna, Durango 24617 80686 95555 49795 250653 42.01
La Paz, Baja California Sur 15172 97188 51123 25907 189990 59.14
Lazaro Cardenas, Michoacan de Ocampo 8244 51079 35060 44118 142238 41.71
Leon, Guanajuato 57079 335306 305435 201287 899107 43.64
Los Cabos, Baja California Sur 6945 43555 44365 19334 114880 43.96
Los Mochis, Sinaloa 14532 94291 44697 38802 194118 56.06
Manzanillo, Colima 6236 42531 20538 18232 87992 55.42
Mazatlan, Sinaloa 21650 100689 53282 72373 251663 48.61
Merida, Yucatan 91108 363281 60462 52308 568617 79.91
Mexicali, Baja California 19539 207313 170166 70781 473863 47.87
Monterrey, Nuevo Leon 38908 223964 175445 85932 524249 50.14
Morelia, Michoacan de Ocampo 4938 130345 127947 93574 356804 37.92
Naucalpan de Juarez, Mexico 35148 168092 147165 240699 603484 33.68
Nogales, Sonora 2751 49378 51036 61400 164565 31.68
Nuevo Laredo, Tamaulipas 12021 35439 26071 31230 111543 42.55
Oaxaca, Oaxaca 16084 176066 101330 48696 347153 55.35
Pachuca, Hidalgo 13224 98200 71584 57035 241785 46.08
Piedras Negras, Coahuila de Zaragoza 8915 44241 22468 26953 102577 51.82
Puebla, Puebla 75089 443964 301918 232913 1057248 49.09
Puerto Vallarta, Jalisco 20302 71930 41932 20259 156489 58.94
Queretaro, Queretaro 89489 262813 116525 75584 547230 64.38
Reynosa, Tamaulipas 17224 103097 68930 71199 264733 45.45
Saltillo, Coahuila de Zaragoza 97440 283222 115313 64291 561988 67.73
San Luis Potosi, San Luis Potosi 23979 177509 133256 219968 556790 36.19
San Nicolas de los Garza, Nuevo Leon 72389 224778 52956 33844 383967 77.39
San Pedro Garza Garcia, Nuevo Leon 34843 54953 5880 3522 99482 90.26
San Pedro Tlaquepaque, Jalisco 10180 113247 105214 135435 367265 33.61
Santa Catarina, Nuevo Leon 21410 103123 45919 18862 191027 65.19
Tampico, Tamaulipas 30191 155401 38636 23250 248394 74.72
Tampico, Veracruz de Ignacio de la Llave 4441 8345 0 0 12786 100.00
Tapachula, Chiapas 400 53403 51287 59711 165329 32.54
Tepic, Nayarit 19345 116020 67077 28446 230888 58.63
Tijuana, Baja California 28203 292118 341347 402678 1070278 29.93
Tlajomulco de Zuñiga, Jalisco 1044 14495 14012 8369 37920 40.98
Tlalnepantla de Baz, Mexico 27551 148015 138100 187695 501361 35.02
Tlaxcala, Tlaxcala 33090 241511 133567 95986 504154 54.47
Toluca, Mexico 12442 371840 260267 153413 797962 48.16
Tonala, Jalisco 11812 101006 84000 82937 279755 40.33
Tuxtla Gutierrez, Chiapas 23229 162166 95283 99004 379682 48.83
Uruapan, Michoacan de Ocampo 5590 30516 38397 49632 126540 28.53
Veracruz, Veracruz de Ignacio de la Llave 22280 99476 146996 79019 347771 35.01
Villahermosa, Tabasco 6900 86139 58833 57424 211172 44.06
Zacatecas, Zacatecas 6769 53172 62640 42784 165365 36.25
Zapopan, Jalisco 63736 333323 187443 161972 748003 53.08

Querétaro es la ciudad número 11 en confianza hacia la policía, entre las 71 consideradas por la ENSU y que cuentan con policía municipal.

Percepción de seguridad

Diciembre 2020

#Agrego variables de ciudad y de grupo Etario

dicCB1$ciudad<-paste0(dicCB1$NOM_CD,", ",dicCB1$NOM_ENT)
dicCB1$EDAD<-as.numeric(dicCB1$EDAD)                   
dicCB1$EDAD[dicCB1$EDAD>=98]<-NA
dicCB1$grupoEdad<-NA
grupoEdad<-seq(17,100,5)
for(i in 1:(length(grupoEdad)-1)){
  dicCB1$grupoEdad[dicCB1$EDAD>=grupoEdad[i]+1 & dicCB1$EDAD<grupoEdad[i+1]]<-paste(grupoEdad[i]+1, " a ",grupoEdad[i+1])
}




dicCB1$BP1_1<-as.numeric(dicCB1$BP1_1)
dicCB1$BP1_1[dicCB1$BP1_1==9]<-NA
dicCB1$BP1_1<-factor(x = dicCB1$BP1_1, levels = c(1,2), labels = c("seguro?","inseguro?"))
facPer<-svydesign(ids = dicCB1$ID_PER, data = dicCB1,weights = dicCB1$FAC_SEL )
percepcion<-svytable(~dicCB1$ciudad+dicCB1$BP1_1,facPer)
percepcion<-as.data.frame(percepcion)
cd<-percepcion[1:87,1]
percepcion<-cbind(percepcion[1:87,3],percepcion[88:174,3])
percepcion<-cbind(percepcion,as.data.frame(aggregate(dicCB1$FAC_SEL~dicCB1$ciudad,dicCB1,sum))[2])
percepcion$porcentaje<-round(percepcion[,1]/percepcion[,3]*100,2)
posicionPercepcion<-length(percepcion$porcentaje[percepcion$porcentaje>percepcion$porcentaje[60]])+1
percepcion<-cbind(cd,percepcion)
names(percepcion)<-c("Ciudad", "La considera segura","La considera insegura","Población","Porcentaje segura")
kable(percepcion[order(percepcion[5], decreasing = TRUE),], caption= "En términos de la delincuencia, ¿considera que vivir actualmente en (CIUDAD), es...")
En términos de la delincuencia, ¿considera que vivir actualmente en (CIUDAD), es…
Ciudad La considera segura La considera insegura Población Porcentaje segura
65 San Pedro Garza Garcia, Nuevo Leon 100242 13291 113533 88.29
42 Los Cabos, Baja California Sur 113738 24149 139545 81.51
69 Tampico, Veracruz de Ignacio de la Llave 42906 10712 53618 80.02
46 Merida, Yucatan 615594 200542 816136 75.43
62 Saltillo, Coahuila de Zaragoza 432758 193170 625928 69.14
64 San Nicolas de los Garza, Nuevo Leon 292233 136533 428766 68.16
39 La Paz, Baja California Sur 149871 70626 222119 67.47
59 Puerto Vallarta, Jalisco 115417 58736 174153 66.27
7 Benito Juarez, Ciudad de Mexico 213161 116392 329553 64.68
19 Cuajimalpa de Morelos, Ciudad de Mexico 86293 49734 136482 63.23
68 Tampico, Tamaulipas 353605 222035 575640 61.43
43 Los Mochis, Sinaloa 132035 87359 219394 60.18
27 Gral. Escobedo, Nuevo Leon 168674 113536 284386 59.31
8 Campeche, Campeche 117018 78989 197844 59.15
57 Piedras Negras, Coahuila de Zaragoza 69053 51257 120310 57.40
71 Tepic, Nayarit 177838 135619 314304 56.58
24 Durango, Durango 227864 173721 403305 56.50
67 Santa Catarina, Nuevo Leon 126267 105224 231491 54.55
77 Tlaxcala, Tlaxcala 276839 238195 517441 53.50
37 La Laguna, Durango 156165 140565 296730 52.63
2 Aguascalientes, Aguascalientes 312954 290990 603944 51.82
29 Guadalupe, Nuevo Leon 308143 292450 600593 51.31
60 Queretaro, Queretaro 352732 333734 690608 51.08
4 Apodaca, Nuevo Leon 195962 182664 385169 50.88
45 Mazatlan, Sinaloa 150057 154093 307897 48.74
56 Pachuca, Hidalgo 137248 156329 296081 46.35
36 La Laguna, Coahuila de Zaragoza 229223 275789 505012 45.39
49 Milpa Alta, Ciudad de Mexico 34650 42589 80076 43.27
87 Zapopan, Jalisco 398315 553454 951769 41.85
54 Nuevo Laredo, Tamaulipas 116953 167669 285077 41.03
18 Coyoacan, Ciudad de Mexico 204609 297332 501941 40.76
10 Chihuahua, Chihuahua 255625 394980 650605 39.29
53 Nogales, Sonora 67364 108768 176132 38.25
83 Veracruz, Veracruz de Ignacio de la Llave 206436 347560 555405 37.17
40 Lazaro Cardenas, Michoacan de Ocampo 75941 122851 204710 37.10
44 Manzanillo, Colima 41580 70652 112232 37.05
47 Mexicali, Baja California 211550 365695 580109 36.47
23 Culiacan, Sinaloa 190395 345491 535886 35.53
13 Ciudad del Carmen, Campeche 50870 95117 147017 34.60
74 Tlajomulco de Zuñiga, Jalisco 21758 41474 63232 34.41
38 La Magdalena Contreras, Ciudad de Mexico 61049 123707 184756 33.04
15 Ciudad Nezahualcoyotl, Mexico 323645 695046 1018691 31.77
32 Hermosillo, Sonora 193750 418784 613445 31.58
48 Miguel Hidalgo, Ciudad de Mexico 95212 210278 305490 31.17
82 Venustiano Carranza, Ciudad de Mexico 101989 228886 330875 30.82
20 Cuauhtemoc, Ciudad de Mexico 125427 296632 422059 29.72
5 Atizapan de Zaragoza, Mexico 130558 324867 456447 28.60
31 Gustavo A. Madero, Ciudad de Mexico 275702 685693 965502 28.56
55 Oaxaca, Oaxaca 116612 294975 414012 28.17
17 Colima, Colima 62397 159846 222478 28.05
33 Ixtapa-Zihuatanejo, Guerrero 20576 53236 73812 27.88
50 Monterrey, Nuevo Leon 274031 736684 1010715 27.11
80 Tuxtla Gutierrez, Chiapas 134736 358693 496996 27.11
6 Azcapotzalco, Ciudad de Mexico 89268 241834 331102 26.96
12 Chimalhuacan, Mexico 140266 377935 520347 26.96
51 Morelia, Michoacan de Ocampo 138089 373621 513570 26.89
66 San Pedro Tlaquepaque, Jalisco 123656 341632 469798 26.32
14 Ciudad Juarez, Chihuahua 273100 766561 1039661 26.27
76 Tlalpan, Ciudad de Mexico 123801 357294 481960 25.69
85 Xochimilco, Ciudad de Mexico 78093 228376 309720 25.21
30 Guanajuato, Guanajuato 21949 68753 90702 24.20
34 Iztacalco, Ciudad de Mexico 73080 229892 303966 24.04
79 Tonala, Jalisco 77299 267598 344897 22.41
11 Chilpancingo de los Bravo, Guerrero 31767 112065 143832 22.09
1 Acapulco, Guerrero 113239 399879 513118 22.07
61 Reynosa, Tamaulipas 102942 374753 481019 21.40
21 Cuautitlan Izcalli, Mexico 99195 366877 469453 21.13
70 Tapachula, Chiapas 35496 135384 171435 20.71
78 Toluca, Mexico 204820 794610 999430 20.49
73 Tlahuac, Ciudad de Mexico 53369 209979 269109 19.83
58 Puebla, Puebla 282297 1302653 1584950 17.81
72 Tijuana, Baja California 199844 958589 1163243 17.18
35 Iztapalapa, Ciudad de Mexico 224575 1091809 1318161 17.04
41 Leon, Guanajuato 171546 903887 1075433 15.95
81 Uruapan, Michoacan de Ocampo 30835 168687 199522 15.45
3 Alvaro Obregon, Ciudad de Mexico 89148 494066 583214 15.29
75 Tlalnepantla de Baz, Mexico 88367 526494 621122 14.23
52 Naucalpan de Juarez, Mexico 103318 617582 731182 14.13
86 Zacatecas, Zacatecas 27338 166546 193884 14.10
28 Guadalajara, Jalisco 182123 1147182 1331381 13.68
63 San Luis Potosi, San Luis Potosi 99525 666872 766397 12.99
84 Villahermosa, Tabasco 42249 287855 331732 12.74
22 Cuernavaca, Morelos 78704 560880 639584 12.31
9 Cancun, Quintana Roo 72700 540607 613962 11.84
16 Coatzacoalcos, Veracruz de Ignacio de la Llave 24962 199036 223998 11.14
25 Ecatepec de Morelos, Mexico 125054 1340887 1492254 8.38
26 Fresnillo, Zacatecas 4340 83848 88415 4.91

Querétaro es la 23 ciudad con mejor percepción de seguridad

Septiembre 2020

sep20CB1<-read.dbf(file ="ensu_bd_2020_dbf/ensu_bd_2020_dbf/ensu_bd_septiembre_2020_dbf/ensu_bd_septiembre_2020_dbf/ENSU_CB_sec1_2_3_0920.dbf",as.is = FALSE )
sep20CB1$id<-1:nrow(sep20CB1)
fac12_0920<-svydesign(ids =sep20CB1$id,weights = sep20CB1$FAC_SEL)
sep20CB1$BP1_1[sep20CB1$BP1_1==9]<-NA
perCD0920<-svytable(~sep20CB1$CD+sep20CB1$BP1_1,fac12_0920)
pobcd0920<-aggregate(sep20CB1$FAC_SEL~sep20CB1$CD, data = sep20CB1,FUN = sum)
percepcion0920<-cbind(perCD0920,pobcd0920)
percepcion0920<-data.frame(percepcion0920[1:85,1],percepcion0920[1:85,3],percepcion0920[86:170,3],percepcion0920[1:85,5])
percepcion0920$porcentajeSeguro<-round(percepcion0920[2]/percepcion0920[4]*100,2)

valorQueretaro1<-percepcion0920[percepcion0920[1]=="37",5][1,1]
posicionQUeretaro0920<-nrow(percepcion0920[percepcion0920[,5]>valorQueretaro1,5])+1
names(percepcion0920)<-c("Clave Ciudad", "Seguro", "Inseguro","Población", "Porcentaje que se siente seguro")
percepcion0920$Ciudad<-NA
for(i in 1:nrow(percepcion0920)){
  percepcion0920$Ciudad[i]<-unique(dicCB1$ciudad[dicCB1$CD==percepcion0920[i,1]])[1]
  }
kable(percepcion0920[order(percepcion0920[5],decreasing = TRUE),c(6,2,3,4,5)])
Ciudad Seguro Inseguro Población Porcentaje que se siente seguro
59 San Pedro Garza Garcia, Nuevo Leon 96289 19145 115434 83.41
4 La Paz, Baja California Sur 171249 47626 218875 78.24
46 Merida, Yucatan 631873 183488 815361 77.50
49 Los Cabos, Baja California Sur 96919 37222 138418 70.02
6 Saltillo, Coahuila de Zaragoza 438982 189054 628036 69.90
67 Cuajimalpa de Morelos, Ciudad de Mexico 93521 39204 134566 69.50
20 Puerto Vallarta, Jalisco 116977 56519 174422 67.07
63 San Nicolas de los Garza, Nuevo Leon 262857 148417 411274 63.91
77 Benito Juarez, Ciudad de Mexico 199486 129040 328526 60.72
15 Durango, Durango 241468 157589 399687 60.41
40 Tampico, Tamaulipas 373483 251932 625415 59.72
5 Campeche, Campeche 115689 80799 197021 58.72
36 Los Mochis, Sinaloa 125591 94360 220240 57.02
28 Tepic, Nayarit 183169 142217 326193 56.15
61 Guadalupe, Nuevo Leon 335522 267823 604908 55.47
31 Queretaro, Queretaro 379377 326668 706045 53.73
64 Santa Catarina, Nuevo Leon 125075 109360 235052 53.21
60 Apodaca, Nuevo Leon 200392 178013 378405 52.96
62 Gral. Escobedo, Nuevo Leon 144954 129746 282287 51.35
38 Nogales, Sonora 89662 89994 179656 49.91
1 Aguascalientes, Aguascalientes 297751 314611 612362 48.62
43 Tlaxcala, Tlaxcala 255449 274779 530228 48.18
19 Pachuca, Hidalgo 139586 154223 293809 47.51
72 Milpa Alta, Ciudad de Mexico 39059 42016 82666 47.25
35 Mazatlan, Sinaloa 145478 163236 312043 46.62
7 La Laguna, Coahuila de Zaragoza 365506 427472 792978 46.09
9 Colima, Colima 99422 118048 217470 45.72
13 Chihuahua, Chihuahua 295473 356592 652065 45.31
57 Zapopan, Jalisco 388211 544794 933005 41.61
44 Veracruz, Veracruz de Ignacio de la Llave 228724 333025 561749 40.72
37 Hermosillo, Sonora 249233 363567 613801 40.60
2 Mexicali, Baja California 234235 346973 581208 40.30
79 Miguel Hidalgo, Ciudad de Mexico 116878 192942 309820 37.72
26 Lazaro Cardenas, Michoacan de Ocampo 75735 119206 202835 37.34
42 Nuevo Laredo, Tamaulipas 101944 179043 281791 36.18
8 Piedras Negras, Coahuila de Zaragoza 41539 75395 116934 35.52
78 Cuauhtemoc, Ciudad de Mexico 148080 280321 428401 34.57
34 Culiacan, Sinaloa 181598 342224 525461 34.56
74 Tlahuac, Ciudad de Mexico 92761 174823 270745 34.26
71 La Magdalena Contreras, Ciudad de Mexico 61962 121835 183797 33.71
80 Venustiano Carranza, Ciudad de Mexico 112280 225410 337690 33.25
66 Coyoacan, Ciudad de Mexico 165468 334901 500369 33.07
84 Atizapan de Zaragoza, Mexico 149842 299316 455260 32.91
58 Monterrey, Nuevo Leon 323769 673522 1014627 31.91
50 Ciudad del Carmen, Campeche 44501 99813 144686 30.76
10 Manzanillo, Colima 33076 74490 108225 30.56
52 Ixtapa-Zihuatanejo, Guerrero 21923 50502 72425 30.27
55 Tlajomulco de Zuñiga, Jalisco 19218 45475 64693 29.71
56 San Pedro Tlaquepaque, Jalisco 137066 334974 472621 29.00
14 Ciudad Juarez, Chihuahua 287435 737644 1025079 28.04
23 Ciudad Nezahualcoyotl, Mexico 273369 711764 1004968 27.20
75 Tlalpan, Ciudad de Mexico 129169 343709 480146 26.90
24 Morelia, Michoacan de Ocampo 136091 373093 509942 26.69
3 Tijuana, Baja California 308505 861713 1170218 26.36
11 Tuxtla Gutierrez, Chiapas 125537 362598 491355 25.55
17 Acapulco, Guerrero 130474 377249 515261 25.32
29 Oaxaca, Oaxaca 99905 315473 415378 24.05
65 Azcapotzalco, Ciudad de Mexico 74493 258040 335298 22.22
30 Puebla, Puebla 330658 1213044 1551406 21.31
54 Tonala, Jalisco 71995 269289 341284 21.10
41 Reynosa, Tamaulipas 99378 375126 474504 20.94
76 Xochimilco, Ciudad de Mexico 64516 248868 313384 20.59
51 Guanajuato, Guanajuato 18123 72817 90940 19.93
85 Chimalhuacan, Mexico 98862 420997 519859 19.02
47 Zacatecas, Zacatecas 36508 155517 194016 18.82
25 Uruapan, Michoacan de Ocampo 37248 164178 201426 18.49
73 Alvaro Obregon, Ciudad de Mexico 107699 485697 597841 18.01
32 Cancun, Quintana Roo 108734 492662 604525 17.99
27 Cuernavaca, Morelos 113730 511642 633124 17.96
16 Leon, Guanajuato 196514 915252 1111766 17.68
53 Guadalajara, Jalisco 216753 1080968 1297721 16.70
83 Cuautitlan Izcalli, Mexico 77578 389345 467619 16.59
81 Tlalnepantla de Baz, Mexico 102328 506566 617480 16.57
33 San Luis Potosi, San Luis Potosi 125841 643239 769080 16.36
69 Iztacalco, Ciudad de Mexico 50380 258092 308968 16.31
12 Tapachula, Chiapas 27986 146176 174162 16.07
18 Chilpancingo de los Bravo, Guerrero 22466 118933 143165 15.69
68 Gustavo A. Madero, Ciudad de Mexico 140096 796977 943942 14.84
70 Iztapalapa, Ciudad de Mexico 171393 1165558 1336951 12.82
21 Toluca, Mexico 110402 882405 992807 11.12
82 Naucalpan de Juarez, Mexico 80521 644533 732601 10.99
39 Villahermosa, Tabasco 30820 290221 321041 9.60
48 Fresnillo, Zacatecas 7207 80424 87631 8.22
45 Coatzacoalcos, Veracruz de Ignacio de la Llave 18416 205369 225491 8.17
22 Ecatepec de Morelos, Mexico 95038 1346483 1450948 6.55

Querétaro es la 16 ciudad con mejor percepción de seguridad

Marzo 2020

mar20CB1<-read.dbf(file ="ensu_bd_2020_dbf/ensu_bd_2020_dbf/ensu_bd_marzo_2020_dbf/ENSU_CB_0320.dbf",as.is = FALSE )
mar20CB1$id<-1:nrow(mar20CB1)
fac12_0320<-svydesign(ids = mar20CB1$id,weights = mar20CB1$FAC_SEL)
mar20CB1$BP1_1[mar20CB1$BP1_1==9]<-NA
perCD0320<-svytable(~mar20CB1$CD+mar20CB1$BP1_1,fac12_0320)
pobcd0320<-aggregate(mar20CB1$FAC_SEL~mar20CB1$CD, data = mar20CB1,FUN = sum)
percepcion0320<-cbind(perCD0320,pobcd0320)
percepcion0320<-data.frame(percepcion0320[1:85,1],percepcion0320[1:85,3],percepcion0320[86:170,3],percepcion0320[1:85,5])
percepcion0320$porcentajeSeguro<-round(percepcion0320[2]/percepcion0320[4]*100,2)

valorQueretaro<-percepcion0320[percepcion0320[1]=="37",5][1,1]
posicionQUeretaro0320<-nrow(percepcion0320[percepcion0320[,5]>valorQueretaro,5])+1
names(percepcion0320)<-c("Clave Ciudad", "Seguro", "Inseguro","Población", "Porcentaje que se siente seguro")
percepcion0320$Ciudad<-NA
for(i in 1:nrow(percepcion0320)){
  percepcion0320$Ciudad[i]<-unique(dicCB1$ciudad[dicCB1$CD==percepcion0320[i,1]])[1]
  }
kable(percepcion0320[order(percepcion0320[5],decreasing = TRUE),c(6,2,3,4,5)])
Ciudad Seguro Inseguro Población Porcentaje que se siente seguro
59 San Pedro Garza Garcia, Nuevo Leon 88034 27753 115787 76.03
46 Merida, Yucatan 632760 209209 841969 75.15
20 Puerto Vallarta, Jalisco 115618 54737 172119 67.17
6 Saltillo, Coahuila de Zaragoza 391941 215931 607872 64.48
63 San Nicolas de los Garza, Nuevo Leon 253792 146420 400741 63.33
8 Piedras Negras, Coahuila de Zaragoza 67620 46529 114149 59.24
49 Los Cabos, Baja California Sur 78141 53014 133582 58.50
40 Tampico, Tamaulipas 342575 253853 596428 57.44
5 Campeche, Campeche 109408 83996 194734 56.18
62 Gral. Escobedo, Nuevo Leon 160074 124427 285428 56.08
15 Durango, Durango 225556 176354 404215 55.80
4 La Paz, Baja California Sur 120365 91432 215947 55.74
28 Tepic, Nayarit 164227 145408 310081 52.96
67 Cuajimalpa de Morelos, Ciudad de Mexico 72575 66083 138976 52.22
77 Benito Juarez, Ciudad de Mexico 170973 164426 335399 50.98
36 Los Mochis, Sinaloa 105605 102853 209179 50.49
7 La Laguna, Coahuila de Zaragoza 376899 389450 766349 49.18
60 Apodaca, Nuevo Leon 187775 195312 384195 48.87
38 Nogales, Sonora 83785 89095 172880 48.46
61 Guadalupe, Nuevo Leon 290512 317095 609118 47.69
64 Santa Catarina, Nuevo Leon 106293 126307 232903 45.64
35 Mazatlan, Sinaloa 135092 183205 318297 42.44
31 Queretaro, Queretaro 277037 404076 682667 40.58
43 Tlaxcala, Tlaxcala 212549 308516 531335 40.00
1 Aguascalientes, Aguascalientes 233126 353793 588818 39.59
2 Mexicali, Baja California 226843 363482 590325 38.43
80 Venustiano Carranza, Ciudad de Mexico 127689 213904 342088 37.33
19 Pachuca, Hidalgo 104237 188570 292807 35.60
26 Lazaro Cardenas, Michoacan de Ocampo 69045 128425 204344 33.79
79 Miguel Hidalgo, Ciudad de Mexico 102296 204807 309737 33.03
10 Manzanillo, Colima 35393 75007 110576 32.01
66 Coyoacan, Ciudad de Mexico 162459 347651 510110 31.85
9 Colima, Colima 68670 147755 217280 31.60
78 Cuauhtemoc, Ciudad de Mexico 135167 298739 436195 30.99
13 Chihuahua, Chihuahua 198242 449805 648047 30.59
57 Zapopan, Jalisco 271842 659818 931660 29.18
37 Hermosillo, Sonora 155190 446537 601727 25.79
29 Oaxaca, Oaxaca 104593 303123 407716 25.65
11 Tuxtla Gutierrez, Chiapas 124651 370187 496894 25.09
55 Tlajomulco de Zuñiga, Jalisco 14813 46319 61132 24.23
72 Milpa Alta, Ciudad de Mexico 19483 62849 83377 23.37
71 La Magdalena Contreras, Ciudad de Mexico 42583 140189 182772 23.30
44 Veracruz, Veracruz de Ignacio de la Llave 128376 423072 554513 23.15
42 Nuevo Laredo, Tamaulipas 64841 215118 284416 22.80
50 Ciudad del Carmen, Campeche 32222 108911 141727 22.74
58 Monterrey, Nuevo Leon 226061 763762 1000934 22.59
34 Culiacan, Sinaloa 119593 418645 538238 22.22
56 San Pedro Tlaquepaque, Jalisco 100493 361641 462134 21.75
23 Ciudad Nezahualcoyotl, Mexico 206989 773934 991495 20.88
47 Zacatecas, Zacatecas 39899 152413 192312 20.75
76 Xochimilco, Ciudad de Mexico 62881 240411 303292 20.73
51 Guanajuato, Guanajuato 18166 70214 88380 20.55
68 Gustavo A. Madero, Ciudad de Mexico 189229 734592 927734 20.40
52 Ixtapa-Zihuatanejo, Guerrero 14457 57032 71705 20.16
54 Tonala, Jalisco 69156 273661 343321 20.14
65 Azcapotzalco, Ciudad de Mexico 65059 265389 331408 19.63
75 Tlalpan, Ciudad de Mexico 95943 397192 493135 19.46
73 Alvaro Obregon, Ciudad de Mexico 112377 483283 599336 18.75
17 Acapulco, Guerrero 94731 430385 528164 17.94
14 Ciudad Juarez, Chihuahua 182873 851167 1034040 17.69
85 Chimalhuacan, Mexico 87012 416986 506030 17.20
84 Atizapan de Zaragoza, Mexico 75672 360334 443093 17.08
53 Guadalajara, Jalisco 204592 1063079 1267671 16.14
41 Reynosa, Tamaulipas 76369 392570 475226 16.07
81 Tlalnepantla de Baz, Mexico 100000 518539 627524 15.94
69 Iztacalco, Ciudad de Mexico 49658 263590 314361 15.80
32 Cancun, Quintana Roo 86821 514364 601185 14.44
3 Tijuana, Baja California 163405 970871 1134276 14.41
24 Morelia, Michoacan de Ocampo 73437 439954 517683 14.19
12 Tapachula, Chiapas 24112 155325 179437 13.44
33 San Luis Potosi, San Luis Potosi 96945 646705 743650 13.04
74 Tlahuac, Ciudad de Mexico 33262 227941 264701 12.57
83 Cuautitlan Izcalli, Mexico 54799 392347 447146 12.26
30 Puebla, Puebla 188491 1381095 1590953 11.85
21 Toluca, Mexico 113646 868052 981698 11.58
82 Naucalpan de Juarez, Mexico 82285 661831 748089 11.00
27 Cuernavaca, Morelos 67462 553646 621108 10.86
16 Leon, Guanajuato 114077 978155 1092232 10.44
39 Villahermosa, Tabasco 28622 291953 320575 8.93
18 Chilpancingo de los Bravo, Guerrero 12143 126083 139641 8.70
48 Fresnillo, Zacatecas 7707 84256 92209 8.36
70 Iztapalapa, Ciudad de Mexico 109431 1258692 1378116 7.94
45 Coatzacoalcos, Veracruz de Ignacio de la Llave 17080 198285 215365 7.93
25 Uruapan, Michoacan de Ocampo 11854 190306 202160 5.86
22 Ecatepec de Morelos, Mexico 76608 1336770 1416696 5.41

Querétaro es la 23 ciudad con mejor percepción de seguridad

Diciembre 2019

dicCB19<-read.dbf(file ="ensu_bd_2019_dbf/ensu_bd_2019_dbf/ensu_bd_diciembre_2019_dbf/ENSU_CB_1219.dbf",as.is = TRUE )

dicCB19$id<-1:nrow(dicCB19)
fac12_19<-svydesign(ids = dicCB19$id,weights = dicCB19$FAC_SEL)
dicCB19$BP1_1[dicCB19$BP1_1==9]<-NA
perCD19<-svytable(~dicCB19$CD+dicCB19$BP1_1,fac12_19)
pobcd19<-aggregate(dicCB19$FAC_SEL~dicCB19$CD, data = dicCB1,FUN = sum)
percepcion19<-cbind(perCD19,pobcd19)
percepcion19<-data.frame(percepcion19[1:85,1],percepcion19[1:85,3],percepcion19[86:170,3],percepcion19[1:85,5])
percepcion19$porcentajeSeguro<-round(percepcion19[2]/percepcion19[4]*100,2)

valorQueretaro<-percepcion19[percepcion19[1]=="37",5][1,1]
posicionQUeretaroDic19<-nrow(percepcion19[percepcion19[,5]>valorQueretaro,5])+1
names(percepcion19)<-c("Clave Ciudad", "Seguro", "Inseguro","Población", "Porcentaje que se siente seguro")
percepcion19$Ciudad<-NA
for(i in 1:nrow(ciudades)){
  percepcion19$Ciudad[i]<-ciudades$nombre[percepcion19$`Clave Ciudad`==ciudades[i,1]]
  }
kable(percepcion19[order(percepcion19[5],decreasing = TRUE),c(6,2,3,4,5)])
Ciudad Seguro Inseguro Población Porcentaje que se siente seguro
59 San Pedro Garza Garcia 93163 21848 115328 80.78
46 Merida 645680 152704 806633 80.05
6 Saltillo 407231 192322 599553 67.92
63 San Nicolas de los Garza 270613 127260 400863 67.51
49 Los Cabos 88125 43067 131809 66.86
20 Puerto Vallarta 111028 57607 168635 65.84
15 Durango 237743 153629 391372 60.75
40 Tampico 350547 256362 606909 57.76
4 La Paz 120017 95550 215567 55.68
5 Campeche 104144 86546 192595 54.07
38 Nogales 91810 78085 169895 54.04
62 Gral. Escobedo 155210 132534 287744 53.94
8 Piedras Negras 62880 53779 116659 53.90
28 Tepic 163405 139400 305640 53.46
67 Cuajimalpa de Morelos 75977 66445 142422 53.35
64 Santa Catarina 117839 109729 228816 51.50
60 Apodaca 184772 193331 378780 48.78
77 Benito Juarez 164621 176550 341947 48.14
7 La Laguna 363283 401071 768225 47.29
2 Mexicali 270624 314588 585212 46.24
61 Guadalupe 267264 328913 596177 44.83
36 Los Mochis 89942 116520 206462 43.56
1 Aguascalientes 244658 332468 577126 42.39
43 Tlaxcala 225845 304435 533329 42.35
9 Colima 86830 127591 214421 40.50
31 Queretaro 266667 392884 659551 40.43
35 Mazatlan 123966 191136 315102 39.34
80 Venustiano Carranza 130106 217443 348648 37.32
72 Milpa Alta 34516 60433 94949 36.35
37 Hermosillo 211245 398208 609453 34.66
34 Culiacan 185552 362630 548182 33.85
66 Coyoacan 156971 351767 508738 30.85
29 Oaxaca 125847 286858 412705 30.49
57 Zapopan 272395 626082 903633 30.14
56 San Pedro Tlaquepaque 129756 314466 445400 29.13
79 Miguel Hidalgo 92549 228443 322535 28.69
3 Tijuana 317196 795505 1112701 28.51
19 Pachuca 79659 205969 285628 27.89
26 Lazaro Cardenas 26964 74136 101100 26.67
13 Chihuahua 166245 463945 634978 26.18
10 Manzanillo 28058 81766 109824 25.55
71 La Magdalena Contreras 43332 140322 184133 23.53
52 Ixtapa-Zihuatanejo 15690 56246 72041 21.78
47 Zacatecas 40039 147283 189268 21.15
58 Monterrey 208794 784884 995747 20.97
85 Chimalhuacan 104317 395724 500041 20.86
23 Ciudad Nezahualcoyotl 205913 772653 988043 20.84
16 Leon 213228 856843 1070071 19.93
84 Atizapan de Zaragoza 87304 357179 445847 19.58
69 Iztacalco 61122 251800 313759 19.48
78 Cuauhtemoc 84814 353480 438294 19.35
55 Tlajomulco de Zuñiga 11388 47662 59193 19.24
75 Tlalpan 93416 389587 492451 18.97
33 San Luis Potosi 140719 606415 747134 18.83
24 Morelia 97290 418184 517084 18.82
42 Nuevo Laredo 51129 223372 277749 18.41
50 Ciudad del Carmen 26316 117721 144037 18.27
73 Alvaro Obregon 109801 492215 602016 18.24
11 Tuxtla Gutierrez 88462 401517 493907 17.91
54 Tonala 57039 269297 328040 17.39
44 Veracruz 94356 447772 544246 17.34
65 Azcapotzalco 58401 277952 339251 17.21
53 Guadalajara 219243 1053799 1280298 17.12
41 Reynosa 78686 377881 463249 16.99
76 Xochimilco 53539 261554 315093 16.99
51 Guanajuato 14657 74024 88681 16.53
74 Tlahuac 42582 221897 267336 15.93
21 Toluca 147717 816356 964073 15.32
17 Acapulco 78886 449267 530422 14.87
83 Cuautitlan Izcalli 64483 382706 447189 14.42
68 Gustavo A. Madero 127292 807415 936530 13.59
70 Iztapalapa 151771 1201168 1360679 11.15
18 Chilpancingo de los Bravo 15426 123885 139311 11.07
45 Coatzacoalcos 23178 196460 219638 10.55
27 Cuernavaca 63592 549596 613188 10.37
39 Villahermosa 32757 285319 318545 10.28
82 Naucalpan de Juarez 71243 647652 723072 9.85
32 Cancun 60171 549900 613432 9.81
14 Ciudad Juarez 98950 947985 1046935 9.45
81 Tlalnepantla de Baz 48635 543768 597888 8.13
48 Fresnillo 7473 84546 92019 8.12
25 Uruapan 15823 182050 197873 8.00
12 Tapachula 14039 163528 177567 7.91
22 Ecatepec de Morelos 103914 1301508 1413966 7.35
30 Puebla 117784 1485404 1603188 7.35

En diciembre de 2019, la ciudad de Querétaro ocupaba el lugar 26.

Septiembre de 2017 (Mínimo histórico)

sep17CB1<-read.dbf(file ="ensu_bd_sep_2017_dbf/ensu_bd_Sep_2017/ENSU_CB_0917.dbf",as.is = FALSE )
sep17CB1$id<-1:nrow(sep17CB1)
fac12_0917<-svydesign(ids = sep17CB1$id,weights = sep17CB1$FAC_SEL)

sep17CB1$BP1_1[sep17CB1$BP1_1==9]<-NA
perCD0917<-svytable(~sep17CB1$CD+sep17CB1$BP1_1,fac12_0917)
pobcd0917<-aggregate(sep17CB1$FAC_SEL~sep17CB1$CD, data = sep17CB1,FUN = sum)
percepcion0917<-cbind(perCD0917,pobcd0917)
percepcion0917<-data.frame(percepcion0917[1:58,1],percepcion0917[1:58,3],percepcion0917[59:116,3],percepcion0917[1:58,5])
percepcion0917$porcentajeSeguro<-round(percepcion0917[2]/percepcion0917[4]*100,2)

valorQueretaro<-percepcion0917[percepcion0917[1]=="37",5][1,1]
posicionQUeretaroDic0917<-nrow(percepcion0917[percepcion0917[,5]>valorQueretaro,5])+1
names(percepcion0917)<-c("Clave Ciudad", "Seguro", "Inseguro","Población", "Porcentaje que se siente seguro")
percepcion0917$Ciudad<-NA

x=c('01 Aguascalientes','02 Mexicali','03 Tijuana','04 La Paz','05 Campeche','06 Saltillo','07 Torreón','08 Piedras Negras','09 Colima','10 Manzanillo','11 Tuxtla Gutiérrez','12 Tapachula','13 Chihuahua','14 Ciudad Juárez','15 DF Norte','16 DF Sur','17 DF Oriente','18 DF Poniente','19 Durango','20 León','21 Acapulco','22 Chilpancingo de los Bravo','23 Pachuca','24 Guadalajara','25 Puerto Vallarta','26 Toluca','27 Ecatepec de Morelos','28 Ciudad Nezahualcóyotl','29 Morelia','30 Uruapan','31 Lázaro Cárdenas','32 Cuernavaca','33 Tepic','34 Monterrey','35 Oaxaca','36 Puebla','37 Querétaro','38 Cancún','39 San Luis Potosí','40 Culiacán','41 Mazatlán','42 Los Mochis','43 Hermosillo','44 Nogales','45 Villahermosa','46 Tampico','47 Reynosa','48 Nuevo Laredo','49 Tlaxcala','50 Veracruz','51 Coatzacoalcos','52 Mérida','53 Zacatecas','54 Fresnillo','55 Los Cabos','56 Ciudad del Carmen','57 Guanajuato','58 Ixtapa-Zihuatanejo')

percepcion0917<-percepcion0917[order(percepcion0917[1],decreasing = FALSE),]
percepcion0917$Ciudad <-x


kable(percepcion0917[order(percepcion0917[5],decreasing = TRUE),c(6,2,3,4,5)])
Ciudad Seguro Inseguro Población Porcentaje que se siente seguro
52 52 Mérida 543366 205210 748576 72.59
25 25 Puerto Vallarta 112869 45901 158770 71.09
8 08 Piedras Negras 75327 39374 114701 65.67
6 06 Saltillo 326443 238314 564757 57.80
19 19 Durango 201703 160074 361777 55.75
5 05 Campeche 96669 77677 175110 55.20
7 07 Torreón 385431 372680 759120 50.77
42 42 Los Mochis 92966 104503 197469 47.08
57 57 Guanajuato 37429 46484 84605 44.24
46 46 Tampico 258492 328804 587296 44.01
49 49 Tlaxcala 214422 285607 502827 42.64
44 44 Nogales 66352 91368 157720 42.07
1 01 Aguascalientes 231792 330354 562146 41.23
41 41 Mazatlán 116482 178613 295095 39.47
23 23 Pachuca 106967 167377 274344 38.99
14 14 Ciudad Juárez 362507 569186 931693 38.91
55 55 Los Cabos 41057 81182 122693 33.46
37 37 Querétaro 211617 422392 634009 33.38
48 48 Nuevo Laredo 88381 179419 267800 33.00
13 13 Chihuahua 178699 428628 607327 29.42
24 24 Guadalajara 837699 2030623 2875854 29.13
9 09 Colima 60210 146809 207019 29.08
4 04 La Paz 53674 146899 200845 26.72
43 43 Hermosillo 143627 410066 553693 25.94
34 34 Monterrey 723522 2148146 2871668 25.20
36 36 Puebla 374625 1145315 1519940 24.65
10 10 Manzanillo 24866 78720 103586 24.01
3 03 Tijuana 248595 830578 1079173 23.04
40 40 Culiacán 118096 398220 519286 22.74
35 35 Oaxaca 89288 315510 404798 22.06
20 20 León 212113 751490 963603 22.01
31 31 Lázaro Cárdenas 21759 77438 99197 21.94
29 29 Morelia 106674 379737 489763 21.78
33 33 Tepic 65115 237308 302423 21.53
28 28 Ciudad Nezahualcóyotl 202136 739092 958017 21.10
11 11 Tuxtla Gutiérrez 94974 356181 454994 20.87
32 32 Cuernavaca 127966 487414 615380 20.79
58 58 Ixtapa-Zihuatanejo 13441 53649 67699 19.85
38 38 Cancún 104718 450961 555679 18.85
56 56 Ciudad del Carmen 23587 112603 136190 17.32
50 50 Veracruz 90614 430784 524471 17.28
39 39 San Luis Potosí 108530 633106 741636 14.63
21 21 Acapulco 69487 423376 492863 14.10
26 26 Toluca 123267 773061 897489 13.73
53 53 Zacatecas 23865 157256 181121 13.18
16 16 DF Sur 193886 1314166 1508052 12.86
18 18 DF Poniente 211282 1541899 1753181 12.05
12 12 Tapachula 17292 143341 162175 10.66
30 30 Uruapan 20225 172280 192505 10.51
54 54 Fresnillo 7410 75990 83682 8.85
2 02 Mexicali 44716 518099 562815 7.95
22 22 Chilpancingo de los Bravo 10001 126243 136661 7.32
17 17 DF Oriente 141532 1890517 2032049 6.96
27 27 Ecatepec de Morelos 95115 1371150 1466265 6.49
47 47 Reynosa 25761 384003 410449 6.28
15 15 DF Norte 79225 1535427 1619521 4.89
51 51 Coatzacoalcos 6151 198558 204709 3.00
45 45 Villahermosa 4943 309024 313967 1.57

Histórico percepción de seguridad (Nacional y Querétaro)

percepcionSNacional<-c(29.5,29.8,27.8,25.9,26.9,25.0,23.8,23.9,23.0,24.0,24.8,26.0,25.3,26.0,28.5,26.8,26.2,31.8,31.6)
percepcionSQueretaro<-c(43.1,43.9,47.8,34.5,42.4,39.7,33.4,39.3,38.0,36.4,39.5,48.2,42.9,41.4,35.7,40.4,40.6,53.7,51.1)

historicoAprobacion<-cbind(historicoAprobacion,data.frame(percepcionSNacional,percepcionSQueretaro))

Gráfico

miplotly2<-plot_ly(data = historicoAprobacion, y= historicoAprobacion$percepcionSNacional, x= historicoAprobacion$orden, type = "scatter",name = "Porcentaje que considera segura su ciudad  (NACIONAL)",mode="lines")


add_trace(p=miplotly2,y=historicoAprobacion$percepcionSQueretaro, name="Porcentaje que considera segura su ciudad  ( Querétaro)",mode="lines+markers", type = "scatter")

Tabla

names(historicoAprobacion)[c(5,6)]<-c("Porcentaje que considera segura su ciudad (Nacional)","Porcentaje que considera segura su ciudad (Querétaro)")
kable(historicoAprobacion[c(1,5,6)])
tiempo Porcentaje que considera segura su ciudad (Nacional) Porcentaje que considera segura su ciudad (Querétaro)
Marzo-2016 29.5 43.1
Junio-2016 29.8 43.9
Septiembre-2016 27.8 47.8
Diciembre-2016 25.9 34.5
Marzo-2017 26.9 42.4
Junio-2017 25.0 39.7
Septiembre-2017 23.8 33.4
Diciembre-2017 23.9 39.3
Marzo-2018 23.0 38.0
Junio-2018 24.0 36.4
Septiembre-2018 24.8 39.5
Diciembre-2018 26.0 48.2
Marzo-2019 25.3 42.9
Junio-2019 26.0 41.4
Septiembre-2019 28.5 35.7
Diciembre-2019 26.8 40.4
Marzo-2020 26.2 40.6
Septiembre-2020 31.8 53.7
Diciembre-2020 31.6 51.1

Relación entre confianza en la policía municipal y percepción de seguridad

reconocenPM$BP1_1<-as.numeric(reconocenPM$BP1_1)
reconocenPM$BP1_1[reconocenPM$BP1_1==9]<-NA
reconocenPM$BP1_1<-factor(x = reconocenPM$BP1_1, levels = c(1,2), labels = c("seguro?","inseguro?"))

reconocenPM$BP1_10_1<-as.numeric(reconocenPM$BP1_10_1)
reconocenPM$BP1_10_1[reconocenPM$BP1_10_1==9]<-NA
reconocenPM$BP1_10_1<-factor(reconocenPM$BP1_10_1,levels = c(1,2,3,4), labels = c("Mucha confianza","Algo de confianza","Algo de desconfianza","Mucha desconfianza"))

percepcionYconfianza<-svytable(~reconocenPM$BP1_1+reconocenPM$BP1_10_1,factIndR)
ppercepcionYconfianza<-round(prop.table(percepcionYconfianza,margin = 1)*100,2)
chipercepcionYconfianza<-chisq.test(percepcionYconfianza)

Absolutos

kable(percepcionYconfianza)
Mucha confianza Algo de confianza Algo de desconfianza Mucha desconfianza
seguro? 1249585 4746164 1874012 989539
inseguro? 499159 6145931 5648212 5471224

Relativos

kable(ppercepcionYconfianza)
Mucha confianza Algo de confianza Algo de desconfianza Mucha desconfianza
seguro? 14.10 53.57 21.15 11.17
inseguro? 2.81 34.60 31.79 30.80

pruebas de asociación

print(chipercepcionYconfianza)
## 
##  Pearson's Chi-squared test
## 
## data:  percepcionYconfianza
## X-squared = 2843951, df = 3, p-value < 2.2e-16

Relación entre confianza en la policía municipal y percepción de seguridad EN QUERÉTARO

reconocenPMQ<-subset(x = reconocenPM, subset = reconocenPM$CVE_ENT=="22")
#reconocenPM$miID<-1:nrow(reconocenPM)
factIndRQ<-svydesign(ids = reconocenPMQ$ID_PER, data = reconocenPMQ, weights = reconocenPMQ$FAC_SEL)

reconocenPMQ$BP1_1<-as.numeric(reconocenPMQ$BP1_1)
reconocenPMQ$BP1_1[reconocenPMQ$BP1_1==9]<-NA
reconocenPMQ$BP1_1<-factor(x = reconocenPMQ$BP1_1, levels = c(1,2), labels = c("seguro?","inseguro?"))

reconocenPMQ$BP1_10_1<-as.numeric(reconocenPMQ$BP1_10_1)
reconocenPMQ$BP1_10_1[reconocenPMQ$BP1_10_1==9]<-NA
reconocenPMQ$BP1_10_1<-factor(reconocenPMQ$BP1_10_1,levels = c(1,2,3,4), labels = c("Mucha confianza","Algo de confianza","Algo de desconfianza","Mucha desconfianza"))

percepcionYconfianzaQ<-svytable(~reconocenPMQ$BP1_1+reconocenPMQ$BP1_10_1,factIndRQ)
ppercepcionYconfianzaQ<-round(prop.table(percepcionYconfianzaQ,margin = 1)*100,2)
chipercepcionYconfianzaQ<-chisq.test(percepcionYconfianzaQ)

Absolutos

kable(percepcionYconfianzaQ)
Mucha confianza Algo de confianza Algo de desconfianza Mucha desconfianza
seguro? 75636 152921 31925 24764
inseguro? 13853 105750 84600 50820

Relativos

kable(ppercepcionYconfianzaQ)
Mucha confianza Algo de confianza Algo de desconfianza Mucha desconfianza
seguro? 26.52 53.61 11.19 8.68
inseguro? 5.43 41.47 33.17 19.93

Pruebas de asociación

print(chipercepcionYconfianzaQ)
## 
##  Pearson's Chi-squared test
## 
## data:  percepcionYconfianzaQ
## X-squared = 82619, df = 3, p-value < 2.2e-16

Victimización y percepcion de inseguridad(NACIONAL)

General (Nacional)

dicCB1$vic<-NA
dicCB1$vic[(is.na(dicCB1$BP1_6_1) & dicCB1$BP1_6_1==1) | (!is.na(dicCB1$BP1_6_2) & dicCB1$BP1_6_2==1) | (!is.na(dicCB1$BP1_6_3) & dicCB1$BP1_6_3==1) | (!is.na(dicCB1$BP1_6_4) & dicCB1$BP1_6_4==1) | (!is.na(dicCB1$BP1_6_5) & dicCB1$BP1_6_5==1) | (!is.na(dicCB1$BP1_6_6) & dicCB1$BP1_6_6==1)]<-1
dicCB1$vic[dicCB1$BP1_6_1==2 & dicCB1$BP1_6_2==2 & dicCB1$BP1_6_3==2 & dicCB1$BP1_6_4==2 & dicCB1$BP1_6_5==2 & dicCB1$BP1_6_6==2]<-0
dicCB1$vic<-factor(dicCB1$vic,levels = c(0,1),labels = c("No es miembro de hogar con víctima","Miembro de hogar con Víctima de delito"))
percepcionyVictimizacion<-svytable(~dicCB1$vic+dicCB1$BP1_1,facPer)
kable(round(prop.table(percepcionyVictimizacion,1)*100,2))
seguro? inseguro?
No es miembro de hogar con víctima 37.04 62.96
Miembro de hogar con Víctima de delito 18.74 81.26

General (Querétaro)

#Preparo variables que usaré hacia el final del documento
dicCB1$BP1_2_02[dicCB1$BP1_2_02==3 | dicCB1$BP1_2_02==9]<-NA
dicCB1$BP1_2_01[dicCB1$BP1_2_01==3 | dicCB1$BP1_2_01==9]<-NA
dicCB1$BP1_2_03[dicCB1$BP1_2_03==3 | dicCB1$BP1_2_03==9]<-NA
dicCB1$BP1_2_04[dicCB1$BP1_2_04==3 | dicCB1$BP1_2_04==9]<-NA
dicCB1$BP1_2_05[dicCB1$BP1_2_05==3 | dicCB1$BP1_2_05==9]<-NA
dicCB1$BP1_2_06[dicCB1$BP1_2_06==3 | dicCB1$BP1_2_06==9]<-NA
dicCB1$BP1_2_07[dicCB1$BP1_2_07==3 | dicCB1$BP1_2_07==9]<-NA
dicCB1$BP1_2_08[dicCB1$BP1_2_08==3 | dicCB1$BP1_2_08==9]<-NA
dicCB1$BP1_2_09[dicCB1$BP1_2_09==3 | dicCB1$BP1_2_09==9]<-NA
dicCB1$BP1_2_10[dicCB1$BP1_2_10==3 | dicCB1$BP1_2_10==9]<-NA
dicCB1$BP1_2_11[dicCB1$BP1_2_11==3 | dicCB1$BP1_2_11==9]<-NA
dicCB1$BP1_2_12[dicCB1$BP1_2_12==3 | dicCB1$BP1_2_12==9]<-NA

dicCB1$BP1_4_1[dicCB1$BP1_4_1==9]<-NA
dicCB1$BP1_4_2[dicCB1$BP1_4_2==9]<-NA
dicCB1$BP1_4_3[dicCB1$BP1_4_3==9]<-NA
dicCB1$BP1_4_4[dicCB1$BP1_4_4==9]<-NA
dicCB1$BP1_4_5[dicCB1$BP1_4_5==9]<-NA
dicCB1$BP1_4_6[dicCB1$BP1_4_6==9]<-NA
dicCB1$BP1_4_7[dicCB1$BP1_4_7==9]<-NA
dicCB1$BP1_4_8[dicCB1$BP1_4_8==9]<-NA

dicCB1$BP1_6_1<-factor(dicCB1$BP1_6_1, levels = c(1,2), labels = c("Sí", "No"))
dicCB1$BP1_6_2[dicCB1$BP1_6_2==9]<-NA
dicCB1$BP1_6_2<-factor(dicCB1$BP1_6_2, levels = c(1,2), labels = c("Sí", "No"))
dicCB1$BP1_6_3[dicCB1$BP1_6_3==9]<-NA
dicCB1$BP1_6_3<-factor(dicCB1$BP1_6_3, levels = c(1,2), labels = c("Sí", "No"))
dicCB1$BP1_6_4[dicCB1$BP1_6_4==9]<-NA
dicCB1$BP1_6_4<-factor(dicCB1$BP1_6_4, levels = c(1,2), labels = c("Sí", "No"))
dicCB1$BP1_6_5[dicCB1$BP1_6_5==9]<-NA
dicCB1$BP1_6_5<-factor(dicCB1$BP1_6_5, levels = c(1,2), labels = c("Sí", "No"))
dicCB1$BP1_6_6[dicCB1$BP1_6_6==9]<-NA
dicCB1$BP1_6_6<-factor(dicCB1$BP1_6_6, levels = c(1,2), labels = c("Sí", "No"))



dicCB1Q<-subset(dicCB1,dicCB1$CVE_ENT==22)
facPerQ<-svydesign(ids = dicCB1Q$ID_PER,data = dicCB1Q,weights = dicCB1Q$FAC_SEL)
percepcionyVictimizacionQ<-svytable(~dicCB1Q$vic+dicCB1Q$BP1_1,facPerQ)
kable(round(prop.table(percepcionyVictimizacionQ,1)*100,2))
seguro? inseguro?
No es miembro de hogar con víctima 56.43 43.57
Miembro de hogar con Víctima de delito 36.88 63.12

Victimas de robo de vehículo

#RV y percepcion
#dicCB1$BP1_6_1[dicCB1$BP1_6_1==9]<-NA

percepcionyVictimizacionRV<-svytable(~dicCB1$BP1_6_1+dicCB1$BP1_1,facPer)
ppercepcionyVictimizacionRV<-round(prop.table(percepcionyVictimizacionRV,1)*100,2)
chisqpercepcionyVictimizacionRV<-chisq.test(percepcionyVictimizacionRV)
kable(ppercepcionyVictimizacionRV)
seguro? inseguro?
Sí 14.28 85.72
No 32.20 67.80 
print(chisqpercepcionyVictimizacionRV)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRV
## X-squared = 166083, df = 1, p-value < 2.2e-16

Victimas de robo de vehículo (Querétaro)

percepcionyVictimizacionRVQ<-svytable(~dicCB1Q$BP1_6_1+dicCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRVQ<-round(prop.table(percepcionyVictimizacionRVQ,1)*100,2)
chisqpercepcionyVictimizacionRVQ<-chisq.test(percepcionyVictimizacionRVQ)
kable(ppercepcionyVictimizacionRVQ)
seguro? inseguro?
Sí 13.65 86.35
No 52.44 47.56 
print(chisqpercepcionyVictimizacionRVQ)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRVQ
## X-squared = 10988, df = 1, p-value < 2.2e-16

Robo a vehículo

#RaV y percepcion

percepcionyVictimizacionRaV<-svytable(~dicCB1$BP1_6_2+dicCB1$BP1_1,facPer)
ppercepcionyVictimizacionRaV<-round(prop.table(percepcionyVictimizacionRaV,1)*100,2)
chisqpercepcionyVictimizacionRaV<-chisq.test(percepcionyVictimizacionRaV)
kable(ppercepcionyVictimizacionRaV)
seguro? inseguro?
Sí 16.48 83.52
No 33.32 66.68 
print(chisqpercepcionyVictimizacionRaV)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRaV
## X-squared = 468551, df = 1, p-value < 2.2e-16

Robo a vehículo (Querétaro)

#RaV y percepcion
percepcionyVictimizacionRaVQ<-svytable(~dicCB1Q$BP1_6_2+dicCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRaVQ<-round(prop.table(percepcionyVictimizacionRaVQ,1)*100,2)
chisqpercepcionyVictimizacionRaVQ<-chisq.test(percepcionyVictimizacionRaVQ)
kable(ppercepcionyVictimizacionRaVQ)
seguro? inseguro?
Sí 32.0 68.0
No 52.7 47.3 
print(chisqpercepcionyVictimizacionRaVQ)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRaVQ
## X-squared = 7013.1, df = 1, p-value < 2.2e-16

Robo a casa-habitación

#Rch y percepcion

percepcionyVictimizacionRCH<-svytable(~dicCB1$BP1_6_3+dicCB1$BP1_1,facPer)
ppercepcionyVictimizacionRCH<-round(prop.table(percepcionyVictimizacionRCH,1)*100,2)
chisqpercepcionyVictimizacionRCH<-chisq.test(percepcionyVictimizacionRCH)
kable(ppercepcionyVictimizacionRCH)
seguro? inseguro?
Sí 15.19 84.81
No 32.47 67.53 
print(chisqpercepcionyVictimizacionRCH)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRCH
## X-squared = 240317, df = 1, p-value < 2.2e-16

Robo a casa-habitación (Querétaro)

#Rch y percepcion
percepcionyVictimizacionRCHQ<-svytable(~dicCB1Q$BP1_6_3+dicCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRCHQ<-round(prop.table(percepcionyVictimizacionRCHQ,1)*100,2)
chisqpercepcionyVictimizacionRCHQ<-chisq.test(percepcionyVictimizacionRCHQ)
kable(ppercepcionyVictimizacionRCHQ)
seguro? inseguro?
Sí 24.24 75.76
No 52.60 47.40 
print(chisqpercepcionyVictimizacionRCHQ)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRCHQ
## X-squared = 9060.2, df = 1, p-value < 2.2e-16

Robo a transeúnte

#RaT y percepcion

percepcionyVictimizacionRAT<-svytable(~dicCB1$BP1_6_4+dicCB1$BP1_1,facPer)
ppercepcionyVictimizacionRAT<-round(prop.table(percepcionyVictimizacionRAT,1)*100,2)
chisqpercepcionyVictimizacionRAT<-chisq.test(percepcionyVictimizacionRAT)
kable(ppercepcionyVictimizacionRAT)
seguro? inseguro?
Sí 13.53 86.47
No 34.01 65.99 
print(chisqpercepcionyVictimizacionRAT)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRAT
## X-squared = 801017, df = 1, p-value < 2.2e-16

Robo a transeúnte (Querétaro)

#RaT y percepcion
percepcionyVictimizacionRATQ<-svytable(~dicCB1Q$BP1_6_4+dicCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRATQ<-round(prop.table(percepcionyVictimizacionRATQ,1)*100,2)
chisqpercepcionyVictimizacionRATQ<-chisq.test(percepcionyVictimizacionRATQ)
kable(ppercepcionyVictimizacionRATQ)
seguro? inseguro?
Sí 13.28 86.72
No 53.68 46.32 
print(chisqpercepcionyVictimizacionRATQ)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRATQ
## X-squared = 24045, df = 1, p-value < 2.2e-16

Robo en forma distinta

#RD y percepcion

percepcionyVictimizacionRD<-svytable(~dicCB1$BP1_6_5+dicCB1$BP1_1,facPer)
ppercepcionyVictimizacionRD<-round(prop.table(percepcionyVictimizacionRD,1)*100,2)
chisqpercepcionyVictimizacionRD<-chisq.test(percepcionyVictimizacionRD)
kable(ppercepcionyVictimizacionRD)
seguro? inseguro?
Sí 27.06 72.94
No 31.78 68.22 
print(chisqpercepcionyVictimizacionRAT)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRAT
## X-squared = 801017, df = 1, p-value < 2.2e-16

Robo en forma distinta (Querétaro)

#RD y percepcion
percepcionyVictimizacionRDQ<-svytable(~dicCB1Q$BP1_6_5+dicCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRDQ<-round(prop.table(percepcionyVictimizacionRDQ,1)*100,2)
chisqpercepcionyVictimizacionRDQ<-chisq.test(percepcionyVictimizacionRDQ)
kable(ppercepcionyVictimizacionRDQ)
seguro? inseguro?
Sí 20.83 79.17
No 51.93 48.07 
print(chisqpercepcionyVictimizacionRATQ)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionRATQ
## X-squared = 24045, df = 1, p-value < 2.2e-16

Amenazas y extorsión

#EXTO
percepcionyVictimizacionEXTO<-svytable(~dicCB1$BP1_6_6+dicCB1$BP1_1,facPer)
ppercepcionyVictimizacionEXTO<-round(prop.table(percepcionyVictimizacionEXTO,1)*100,2)
chisqpercepcionyVictimizacionEXTO<-chisq.test(percepcionyVictimizacionEXTO)
kable(ppercepcionyVictimizacionEXTO)
seguro? inseguro?
Sí 19.81 80.19
No 33.23 66.77 
print(chisqpercepcionyVictimizacionEXTO)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionEXTO
## X-squared = 342301, df = 1, p-value < 2.2e-16

Amenazas y extorsión (Querétaro)

#EXTO
percepcionyVictimizacionEXTOQ<-svytable(~dicCB1Q$BP1_6_6+dicCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionEXTOQ<-round(prop.table(percepcionyVictimizacionEXTOQ,1)*100,2)
chisqpercepcionyVictimizacionEXTOQ<-chisq.test(percepcionyVictimizacionEXTOQ)
kable(ppercepcionyVictimizacionEXTOQ)
seguro? inseguro?
Sí 51.36 48.64
No 51.39 48.61 
print(chisqpercepcionyVictimizacionEXTOQ)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  percepcionyVictimizacionEXTOQ
## X-squared = 0.013972, df = 1, p-value = 0.9059

Demográficos de percepción

Por sexo (Nacional)

dicCB1$SEX=factor(dicCB1$SEX,levels = c(1,2),labels = c("Hombre","Mujer"))
porSexo=svytable(~dicCB1$SEX+dicCB1$BP1_1,facPer)
pporSexo=round(prop.table(porSexo,1)*100,2)

kable(pporSexo)
seguro? inseguro?
Hombre 37.06 62.94
Mujer 27.16 72.84

Por sexo (Querétaro)

porSexoQ=svytable(~dicCB1Q$SEX+dicCB1Q$BP1_1,facPerQ)
pporSexoQ=round(prop.table(porSexoQ,1)*100,2)

kable(pporSexoQ)
seguro? inseguro?
55.77 44.23
47.60 52.40

Por edad (Nacional)

porEdad=svytable(~dicCB1$grupoEdad+dicCB1$BP1_1,facPer)
pporEdad=round(prop.table(porEdad,1)*100,2)
kable(pporEdad, caption="Percpeción de seguridad por grupó de edad (NACIONAL")
Percpeción de seguridad por grupó de edad (NACIONAL
seguro? inseguro?
18 a 22 34.33 65.67
23 a 27 31.43 68.57
28 a 32 30.35 69.65
33 a 37 28.55 71.45
38 a 42 27.48 72.52
43 a 47 31.39 68.61
48 a 52 32.47 67.53
53 a 57 32.79 67.21
58 a 62 31.32 68.68
63 a 67 37.26 62.74
68 a 72 36.30 63.70
73 a 77 58.52 41.48
78 a 82 28.67 71.33

Por edad (Querétaro)

porEdadQ=svytable(~dicCB1Q$grupoEdad+dicCB1Q$BP1_1,facPerQ)
pporEdadQ=round(prop.table(porEdad,1)*100,2)
kable(pporEdadQ, caption="Percpeción de seguridad por grupó de edad (Querétaro")
Percpeción de seguridad por grupó de edad (Querétaro
seguro? inseguro?
18 a 22 34.33 65.67
23 a 27 31.43 68.57
28 a 32 30.35 69.65
33 a 37 28.55 71.45
38 a 42 27.48 72.52
43 a 47 31.39 68.61
48 a 52 32.47 67.53
53 a 57 32.79 67.21
58 a 62 31.32 68.68
63 a 67 37.26 62.74
68 a 72 36.30 63.70
73 a 77 58.52 41.48
78 a 82 28.67 71.33

Pirámide (Querétaro)

hinseguro<- aggregate(dicCB1Q$FAC_SEL~dicCB1Q$grupoEdad,dicCB1Q,sum, subset = dicCB1Q$SEX==1 & dicCB1Q$BP1_1=="inseguro?")

minseguro=aggregate(dicCB1Q$FAC_SEL~dicCB1Q$grupoEdad,dicCB1Q,sum, subset = dicCB1Q$SEX==2 & dicCB1Q$BP1_1=="inseguro?")

piramide =merge(hinseguro,minseguro,by = "dicCB1Q$grupoEdad")
names(piramide)=c("Grupo de edad","Hombres inseguros","Mujeres inseguras")
kable(piramide,caption = "Pirámide de edades de percepción de inseguridad")
Pirámide de edades de percepción de inseguridad
Grupo de edad Hombres inseguros Mujeres inseguras
18 a 22 5570 24013
23 a 27 6284 8944
28 a 32 15651 12447
33 a 37 6699 17541
38 a 42 7016 17748
43 a 47 6084 4902
48 a 52 2662 3309
53 a 57 8547 3680
58 a 62 7958 896
78 a 82 20410 12264

Escolaridad

dic20$I_NIV=factor(x = dic20$I_NIV,levels = paste0("0",0:9),labels = c("Ninguno","Preescolar","Primaria","Secundaria","Carrera técnica con secundariaterminada","Normal básica (con antecedente en secundaria)","Preparatoria o bachillerato","Carrera técnica con preparatoria terminada","Licenciatura o profesional","Maestría o doctorado"))

eseguridad=aggregate(dic20$FAC_SEL.x~dic20$I_NIV,dic20,sum, subset = dic20$NOM_CD=="Queretaro" & dic20$BP1_1==1)

einseguridad=aggregate(dic20$FAC_SEL.x~dic20$I_NIV,dic20,sum, subset = dic20$NOM_CD=="Queretaro" & dic20$BP1_1==2)

escolaridadYseguridad=merge(eseguridad,einseguridad,by="dic20$I_NIV")
names(escolaridadYseguridad)<-c("Escolaridad","Seguros","Inseguros")
escolaridadYseguridad$Total=apply(X=escolaridadYseguridad[,2:3],MARGIN = 1,FUN = sum)
escolaridadYseguridad$pseguro=round(escolaridadYseguridad[,2]/escolaridadYseguridad[,4]*100,2)
kable(escolaridadYseguridad)
Escolaridad Seguros Inseguros Total pseguro
Carrera técnica con preparatoria terminada 6689 7001 13690 48.86
Carrera técnica con secundariaterminada 14368 14980 29348 48.96
Licenciatura o profesional 148376 114776 263152 56.38
Maestría o doctorado 26608 7959 34567 76.98
Ninguno 2592 4505 7097 36.52
Preparatoria o bachillerato 80189 56209 136398 58.79
Primaria 14775 44531 59306 24.91
Secundaria 59135 83773 142908 41.38 
#C_ACT

Por ocupación (Querétaro)

dic20$C_ACT=factor(x = dic20$C_ACT,levels = as.character(1:9),labels = c("trabajó?","tenía trabajo, pero no trabajó?","buscó trabajo?","¿Es estudiante?","¿Se dedica a los quehaceres del hogar?","¿Es jubilado(a) o pensionado(a)?","¿Está incapacitado(a) permanentemente para trabajar?","¿No trabajó?","No especificado"))

eseguridad=aggregate(dic20$FAC_SEL.x~dic20$C_ACT,dic20,sum, subset = dic20$NOM_CD=="Queretaro" & dic20$BP1_1==1)

einseguridad=aggregate(dic20$FAC_SEL.x~dic20$C_ACT,dic20,sum, subset = dic20$NOM_CD=="Queretaro" & dic20$BP1_1==2)

OcupacionYseguridad=merge(eseguridad,einseguridad,by="dic20$C_ACT")
names(OcupacionYseguridad)<-c("Ocupación","Seguros","Inseguros")
OcupacionYseguridad$Total=apply(X=OcupacionYseguridad[,2:3],MARGIN = 1,FUN = sum)
OcupacionYseguridad$pseguro=round(OcupacionYseguridad[,2]/OcupacionYseguridad[,4]*100,2)
kable(OcupacionYseguridad)
Ocupación Seguros Inseguros Total pseguro
¿Es estudiante? 20894 18937 39831 52.46
¿Es jubilado(a) o pensionado(a)? 14319 31526 45845 31.23
¿Está incapacitado(a) permanentemente para trabajar? 2831 2510 5341 53.01
¿No trabajó? 18330 15371 33701 54.39
¿Se dedica a los quehaceres del hogar? 61958 73972 135930 45.58
buscó trabajo? 4960 2384 7344 67.54
tenía trabajo, pero no trabajó? 2310 3648 5958 38.77
trabajó? 227130 185386 412516 55.06

Përcepción de seguridad por lugar (Querétaro)

Dic 2020

porLugar=data.frame(seguro=c(0),inseguro=c(0))
lugares=c(paste0("BP1_2_0",1:9),paste0("BP1_2_1",0:2))
for(i in lugares){
  dic20[i][dic20[i]==9]<-NA
  dic20[i][dic20[i]==3]<-NA
  a=aggregate(dic20$FAC_SEL.x~dic20[,i],dic20,sum, subset = dic20$NOM_CD=="Queretaro" & dic20$BP1_1==2)
  a=as.data.frame(t(a))[2,]
  names(a)=c("seguro","inseguro")
  porLugar=rbind(porLugar,a)
}
porLugar=porLugar[2:13,]
row.names(porLugar)<-c("su casa","su trabajo","las calles que habitualmente usa", "la escuela", "el mercado","el centro comercial","el banco","el cajero automático localizado en la vía pública", "el transporte público", "el automovil","la carretera","el parque recreativo o centro recreativo")
porLugar$seguro=as.numeric(porLugar$seguro)
porLugar$inseguro=as.numeric(porLugar$inseguro)
porLugar$total=apply(X = porLugar[,1:2],MARGIN = 1,FUN = sum)
porLugar$pseguro<-round(porLugar$seguro/porLugar$total*100,2)
porLugar<-porLugar[order(porLugar$pseguro,decreasing = T),]
kable(porLugar,caption = "Percepción de seguridad por lugar")
Percepción de seguridad por lugar
seguro inseguro total pseguro
la escuela 23072 12843 35915 64.24
el automovil 188499 140225 328724 57.34
su trabajo 112943 106763 219706 51.41
el centro comercial 153747 154738 308485 49.84
su casa 165360 168374 333734 49.55
la carretera 106518 191572 298090 35.73
el parque recreativo o centro recreativo 73626 146033 219659 33.52
el mercado 89823 203084 292907 30.67
el transporte público 49303 176564 225867 21.83
el banco 64707 233981 298688 21.66
las calles que habitualmente usa 64561 265616 330177 19.55
el cajero automático localizado en la vía pública 28891 273684 302575 9.55

septiembre

porLugar2=data.frame(seguro=c(0),inseguro=c(0))
lugares2=c(paste0("BP1_2_0",1:9),paste0("BP1_2_1",0:2))
for(i in lugares2){
  sep20CB1[i][sep20CB1[i]==9]<-NA
  sep20CB1[i][sep20CB1[i]==3]<-NA
  a=aggregate(sep20CB1$FAC_SEL~sep20CB1[,i],sep20CB1,sum, subset = sep20CB1$NOM_CD=="Queretaro" & sep20CB1$BP1_1==2)
  if(nrow(a)==2){
    a=as.data.frame(t(a))[2,]
    names(a)=names(porLugar2)
    porLugar2=rbind(porLugar2,a)
  }
else if(nrow(a)>2){
  a=a[1:2,]
  a=as.data.frame(t(a))[2,]
  names(a)=names(porLugar2)
  porLugar2=rbind(porLugar2,a)
}else{
  x=data.frame(c(2),c(0))
  names(x)<-names(a)
  a=rbind(a,x)
  a=as.data.frame(t(a))[2,]
  names(a)=names(porLugar2)
  porLugar2=rbind(porLugar2,a)
}
}
porLugar2=porLugar2[2:13,]
row.names(porLugar2)<-c("su casa","su trabajo","las calles que habitualmente usa", "la escuela", "el mercado","el centro comercial","el banco","el cajero automático localizado en la vía pública", "el transporte público", "el automovil","la carretera","el parque recreativo o centro recreativo")
porLugar2$seguro=as.numeric(porLugar2$seguro)
porLugar2$inseguro=as.numeric(porLugar2$inseguro)
porLugar2$total=apply(X = porLugar2[,1:2],MARGIN = 1,FUN = sum)
porLugar2$pseguro<-round(porLugar2$seguro/porLugar2$total*100,2)
porLugar2<-porLugar2[order(porLugar2$pseguro,decreasing = T),]
kable(porLugar2,caption = "Percepción de seguridad por lugar")
Percepción de seguridad por lugar
seguro inseguro total pseguro
la escuela 29274 0 29274 100.00
el centro comercial 184140 110637 294777 62.47
el automovil 164569 127864 292433 56.28
su trabajo 115134 101339 216473 53.19
su casa 161311 165357 326668 49.38
el parque recreativo o centro recreativo 102993 135772 238765 43.14
el mercado 88028 187486 275514 31.95
el transporte público 61872 176464 238336 25.96
la carretera 64469 232261 296730 21.73
el banco 57155 234588 291743 19.59
las calles que habitualmente usa 61869 259848 321717 19.23
el cajero automático localizado en la vía pública 29426 254919 284345 10.35

Expectativas sobre la delincuencia (por ciudad)

dicCB1$BP1_3[dicCB1$BP1_3==9]<-NA
#dicCB1$BP1_3=factor(dicCB1$BP1_3,levels = c(1,2,3,4),labels = c("mejorará?","seguirá igual de bien?","seguirá igual de mal?","empeorará?"))
futuro=svytable(~dicCB1$ciudad+dicCB1$BP1_3,facPer)
futuro2<-as.data.frame(futuro)
cd<-futuro2[1:87,1]
futuro2<-cbind(futuro2[1:87,3],futuro2[88:174,3],futuro2[175:261,3],futuro2[262:348,3])
futuro2<-as.data.frame(futuro2)

futuro2$porcentajeBienMejor<-round((futuro2[,1]+futuro2[,2])/as.data.frame(aggregate(dicCB1$FAC_SEL~dicCB1$ciudad,dicCB1,sum))[2]*100,2)
futuro2<-cbind(cd, futuro2)

x=futuro2[60,6][1,1]
posicionBienMejor<-length(futuro2$porcentajeBienMejor[futuro2$porcentajeBienMejor>x])+1


names(futuro2)<-c("Ciudad","mejorará?","seguirá igual de bien?","seguirá igual de mal?","empeorará?","Porcentaje positivo")
#futuro<-cbind(futuro, porcentajeBienMejor)

kable(futuro2, caption="Pensando en las condiciones de delincuencia en (CIUDAD), ¿considera que en los próximos 12 meses…")
Pensando en las condiciones de delincuencia en (CIUDAD), ¿considera que en los próximos 12 meses…
Ciudad mejorará? seguirá igual de bien? seguirá igual de mal? empeorará? Porcentaje positivo
Acapulco, Guerrero 143021 23503 188410 141557 32.45
Aguascalientes, Aguascalientes 118967 103740 169466 205880 36.88
Alvaro Obregon, Ciudad de Mexico 45917 37116 270020 224706 14.24
Apodaca, Nuevo Leon 110632 115384 106265 52888 58.68
Atizapan de Zaragoza, Mexico 89391 48896 156130 161302 30.30
Azcapotzalco, Ciudad de Mexico 83450 23059 102146 115079 32.17
Benito Juarez, Ciudad de Mexico 47002 102864 68420 110637 45.48
Campeche, Campeche 50270 45791 29906 70405 48.55
Cancun, Quintana Roo 135310 26906 226698 224393 26.42
Chihuahua, Chihuahua 119111 90608 234273 206613 32.23
Chilpancingo de los Bravo, Guerrero 39054 12122 65030 26021 35.58
Chimalhuacan, Mexico 109094 52444 153823 198167 31.04
Ciudad del Carmen, Campeche 39802 22218 40679 39300 42.19
Ciudad Juarez, Chihuahua 184073 49850 568134 232780 22.50
Ciudad Nezahualcoyotl, Mexico 246673 71305 354840 341788 31.21
Coatzacoalcos, Veracruz de Ignacio de la Llave 69262 6452 78105 70179 33.80
Colima, Colima 51755 16791 66491 86558 30.81
Coyoacan, Ciudad de Mexico 77032 105498 133395 183089 36.36
Cuajimalpa de Morelos, Ciudad de Mexico 26082 50695 24066 35639 56.25
Cuauhtemoc, Ciudad de Mexico 78043 38244 132744 165372 27.55
Cuautitlan Izcalli, Mexico 58832 27274 173363 204656 18.34
Cuernavaca, Morelos 70375 39271 260146 253688 17.14
Culiacan, Sinaloa 133816 71015 173659 147172 38.22
Durango, Durango 83200 99855 99954 115853 45.39
Ecatepec de Morelos, Mexico 211699 52779 532363 661556 17.72
Fresnillo, Zacatecas 7244 733 37317 42900 9.02
Gral. Escobedo, Nuevo Leon 84271 75794 72186 46987 56.28
Guadalajara, Jalisco 272752 24631 490760 526740 22.34
Guadalupe, Nuevo Leon 171554 115685 174802 134811 47.83
Guanajuato, Guanajuato 20730 3429 33513 32422 26.64
Gustavo A. Madero, Ciudad de Mexico 183974 44855 439157 288560 23.70
Hermosillo, Sonora 133256 40806 218201 221182 28.37
Ixtapa-Zihuatanejo, Guerrero 22372 4227 29472 14372 36.04
Iztacalco, Ciudad de Mexico 44274 36039 131019 89673 26.42
Iztapalapa, Ciudad de Mexico 286973 100755 445115 468792 29.41
La Laguna, Coahuila de Zaragoza 126341 124855 146344 99851 49.74
La Laguna, Durango 74496 56976 110702 54556 44.31
La Magdalena Contreras, Ciudad de Mexico 27245 28297 54750 73924 30.06
La Paz, Baja California Sur 42753 79279 44120 48798 54.94
Lazaro Cardenas, Michoacan de Ocampo 53453 27770 74805 37102 39.68
Leon, Guanajuato 130244 37996 479899 427294 15.64
Los Cabos, Baja California Sur 50621 50553 18739 15243 72.50
Los Mochis, Sinaloa 59191 67810 53489 33124 57.89
Manzanillo, Colima 33868 14968 35094 24790 43.51
Mazatlan, Sinaloa 85155 56391 101686 59432 45.97
Merida, Yucatan 192854 311935 102035 204562 61.85
Mexicali, Baja California 133584 74074 212148 155535 35.80
Miguel Hidalgo, Ciudad de Mexico 86382 44021 95640 75318 42.69
Milpa Alta, Ciudad de Mexico 13181 13785 26763 22770 33.68
Monterrey, Nuevo Leon 167702 103856 342303 381720 26.87
Morelia, Michoacan de Ocampo 82484 41252 201798 181824 24.09
Naucalpan de Juarez, Mexico 120206 44407 256826 284530 22.51
Nogales, Sonora 40130 33752 57567 44683 41.95
Nuevo Laredo, Tamaulipas 108411 30596 86922 48199 48.76
Oaxaca, Oaxaca 55321 20929 142042 193266 18.42
Pachuca, Hidalgo 47580 54855 79566 107981 34.60
Piedras Negras, Coahuila de Zaragoza 38166 27307 28602 26235 54.42
Puebla, Puebla 266931 90155 503940 716504 22.53
Puerto Vallarta, Jalisco 61212 53610 21893 35156 65.93
Queretaro, Queretaro 72244 165107 139313 298327 34.37
Reynosa, Tamaulipas 151585 32987 214320 67995 38.37
Saltillo, Coahuila de Zaragoza 200733 187024 117874 109044 61.95
San Luis Potosi, San Luis Potosi 86503 21219 331171 303884 14.06
San Nicolas de los Garza, Nuevo Leon 128588 140279 91277 66057 62.71
San Pedro Garza Garcia, Nuevo Leon 32380 54168 6795 20190 76.23
San Pedro Tlaquepaque, Jalisco 111491 26462 181321 144351 29.36
Santa Catarina, Nuevo Leon 79924 51877 68997 25773 56.94
Tampico, Tamaulipas 173429 145976 109539 145178 55.49
Tampico, Veracruz de Ignacio de la Llave 19132 21257 1784 11445 75.33
Tapachula, Chiapas 43536 10989 56315 58215 31.81
Tepic, Nayarit 78562 86324 75828 70936 52.46
Tijuana, Baja California 163605 29391 416525 524740 16.59
Tlahuac, Ciudad de Mexico 63600 24846 87087 86613 32.87
Tlajomulco de Zuñiga, Jalisco 14398 8567 21770 17347 36.32
Tlalnepantla de Baz, Mexico 101292 44199 227519 236117 23.42
Tlalpan, Ciudad de Mexico 57146 37793 152943 224190 19.70
Tlaxcala, Tlaxcala 112428 96888 121694 174002 40.45
Toluca, Mexico 134710 64812 359901 435954 19.96
Tonala, Jalisco 71574 25237 145059 103027 28.07
Tuxtla Gutierrez, Chiapas 110042 43539 145206 177994 30.90
Uruapan, Michoacan de Ocampo 42562 10195 72927 71147 26.44
Venustiano Carranza, Ciudad de Mexico 60861 53113 123216 89205 34.45
Veracruz, Veracruz de Ignacio de la Llave 130179 80455 181993 158830 37.92
Villahermosa, Tabasco 70639 14740 111763 127801 25.74
Xochimilco, Ciudad de Mexico 48009 27350 106833 124237 24.33
Zacatecas, Zacatecas 26101 10016 74871 82438 18.63
Zapopan, Jalisco 227381 146035 280225 292075 39.23

Querétaro es la ciudad número 43 con la mejor expectativa en seguridad, de las 87 consideradas. Está por debajo de la media nacional de %.

Modelos (Nacional)

La percepcion no se explica por la policia

dicCB1$pseguridad<-NA
dicCB1$pseguridad[dicCB1$BP1_1=="inseguro?"]<-0
dicCB1$pseguridad[dicCB1$BP1_1=="seguro?"]<-1
#dicCB1$pseguridad[as.numeric(dicCB1$BP1_1)[dicCB1$BP1_1==9]]<-NA
m1<-glm(dicCB1$pseguridad~dicCB1$BP1_9_1, family = binomial(logit))
print(summary(m1))
## 
## Call:
## glm(formula = dicCB1$pseguridad ~ dicCB1$BP1_9_1, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.5941  -0.8175  -0.6056   1.1727   1.8902  
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      0.94112    0.06302  14.933  < 2e-16 ***
## dicCB1$BP1_9_12 -0.93000    0.06925 -13.429  < 2e-16 ***
## dicCB1$BP1_9_13 -1.86548    0.07046 -26.476  < 2e-16 ***
## dicCB1$BP1_9_14 -2.54414    0.08083 -31.476  < 2e-16 ***
## dicCB1$BP1_9_19 -1.12586    0.17468  -6.445 1.15e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 18560  on 14003  degrees of freedom
## Residual deviance: 16859  on 13999  degrees of freedom
##   (8279 observations deleted due to missingness)
## AIC: 16869
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m1,type = "kl"))
## [1] "R^2= 0.091639621398845"

Pero sí por la percepción de seguridad en lugares específicos

m0=glm(dicCB1$pseguridad~1)
print(summary(m0))
## 
## Call:
## glm(formula = dicCB1$pseguridad ~ 1)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -0.3591  -0.3591  -0.3591   0.6409   0.6409  
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.35907    0.00322   111.5   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 0.2301492)
## 
##     Null deviance: 5108.9  on 22198  degrees of freedom
## Residual deviance: 5108.9  on 22198  degrees of freedom
##   (84 observations deleted due to missingness)
## AIC: 30390
## 
## Number of Fisher Scoring iterations: 2
paste("R^2=",rsq(m0,type = "kl"))
## [1] "R^2= -2.22044604925031e-16"
m8=glm(dicCB1$pseguridad~dicCB1$BP1_2_01+dicCB1$BP1_2_02+dicCB1$BP1_2_03+dicCB1$BP1_2_05+dicCB1$BP1_2_06+dicCB1$BP1_2_08+dicCB1$BP1_2_09+dicCB1$SEX+dicCB1$EDAD, family = binomial(logit))
print(summary(m8))
## 
## Call:
## glm(formula = dicCB1$pseguridad ~ dicCB1$BP1_2_01 + dicCB1$BP1_2_02 + 
##     dicCB1$BP1_2_03 + dicCB1$BP1_2_05 + dicCB1$BP1_2_06 + dicCB1$BP1_2_08 + 
##     dicCB1$BP1_2_09 + dicCB1$SEX + dicCB1$EDAD, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.0481  -0.5637  -0.3484   0.5643   2.8152  
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       1.971258   0.078019  25.266  < 2e-16 ***
## dicCB1$BP1_2_012 -1.148038   0.103659 -11.075  < 2e-16 ***
## dicCB1$BP1_2_022 -0.426170   0.074176  -5.745 9.17e-09 ***
## dicCB1$BP1_2_032 -1.601183   0.061951 -25.846  < 2e-16 ***
## dicCB1$BP1_2_052 -0.625948   0.072787  -8.600  < 2e-16 ***
## dicCB1$BP1_2_062 -0.268999   0.078686  -3.419 0.000629 ***
## dicCB1$BP1_2_082 -0.773010   0.072779 -10.621  < 2e-16 ***
## dicCB1$BP1_2_092 -0.620620   0.066621  -9.316  < 2e-16 ***
## dicCB1$SEXMujer  -0.175815   0.057236  -3.072 0.002128 ** 
## dicCB1$EDAD      -0.004825   0.002013  -2.397 0.016537 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 12401.3  on 9729  degrees of freedom
## Residual deviance:  8012.3  on 9720  degrees of freedom
##   (12553 observations deleted due to missingness)
## AIC: 8032.3
## 
## Number of Fisher Scoring iterations: 5
paste("R^2=",rsq(m8,type = "kl"))
## [1] "R^2= 0.353916585973369"
AIC(m0)
## [1] 30390.09
AIC(m8)
## [1] 8032.274

Pero la percepción en estos lugares no se explica tampoco por la policía

#seguridad en mercadp
dicCB1$BP1_9_1[dicCB1$BP1_9_1==9]<-NA
dicCB1$segMer<-NA
dicCB1$segMer[dicCB1$BP1_2_05==9]<-NA
dicCB1$segMer[dicCB1$BP1_2_05==2]<-0
dicCB1$segMer[dicCB1$BP1_2_05==1]<-1
m9=glm(dicCB1$segMer~dicCB1$BP1_9_1, family = binomial(logit))
summary(m9)
## 
## Call:
## glm(formula = dicCB1$segMer ~ dicCB1$BP1_9_1, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.7545  -1.0362  -0.8443   0.9963   1.5521  
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      1.29770    0.07440   17.44   <2e-16 ***
## dicCB1$BP1_9_12 -0.85548    0.08083  -10.58   <2e-16 ***
## dicCB1$BP1_9_13 -1.63932    0.08053  -20.36   <2e-16 ***
## dicCB1$BP1_9_14 -2.14578    0.08659  -24.78   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 16693  on 12042  degrees of freedom
## Residual deviance: 15598  on 12039  degrees of freedom
##   (10240 observations deleted due to missingness)
## AIC: 15606
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m9,type = "kl"))
## [1] "R^2= 0.0655700047900826"
#seguridad en la calle
dicCB1$segCalle<-NA
dicCB1$segCalle[dicCB1$BP1_2_03==9]<-NA
dicCB1$segCalle[dicCB1$BP1_2_03==2]<-0
dicCB1$segCalle[dicCB1$BP1_2_03==1]<-1
m10=glm(dicCB1$segCalle~dicCB1$BP1_9_1, family = binomial(logit))
summary(m10)
## 
## Call:
## glm(formula = dicCB1$segCalle ~ dicCB1$BP1_9_1, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.7060  -0.9413  -0.7458   1.0779   1.6826  
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      1.18958    0.06741   17.65   <2e-16 ***
## dicCB1$BP1_9_12 -0.95089    0.07341  -12.95   <2e-16 ***
## dicCB1$BP1_9_13 -1.77409    0.07368  -24.08   <2e-16 ***
## dicCB1$BP1_9_14 -2.32700    0.08065  -28.85   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 18859  on 13738  degrees of freedom
## Residual deviance: 17435  on 13735  degrees of freedom
##   (8544 observations deleted due to missingness)
## AIC: 17443
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m10,type = "kl"))
## [1] "R^2= 0.0755118775026942"

Sólo las bandas violentas y los disparos muestan algún efecto, pero bastante limitado

m11=glm(dicCB1$segMer~dicCB1$BP1_4_1+dicCB1$BP1_4_2+dicCB1$BP1_4_3+dicCB1$BP1_4_4+dicCB1$BP1_4_5+dicCB1$BP1_4_6+dicCB1$BP1_4_7+dicCB1$BP1_4_8, family = binomial(logit))
summary(m11)
## 
## Call:
## glm(formula = dicCB1$segMer ~ dicCB1$BP1_4_1 + dicCB1$BP1_4_2 + 
##     dicCB1$BP1_4_3 + dicCB1$BP1_4_4 + dicCB1$BP1_4_5 + dicCB1$BP1_4_6 + 
##     dicCB1$BP1_4_7 + dicCB1$BP1_4_8, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.5790  -1.0375  -0.7221   1.0532   1.7632  
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)    
## (Intercept)     -1.21116    0.09033 -13.408  < 2e-16 ***
## dicCB1$BP1_4_12  0.33282    0.03773   8.821  < 2e-16 ***
## dicCB1$BP1_4_22  0.23378    0.03666   6.377 1.81e-10 ***
## dicCB1$BP1_4_32  0.63781    0.03597  17.734  < 2e-16 ***
## dicCB1$BP1_4_42  0.35516    0.04210   8.435  < 2e-16 ***
## dicCB1$BP1_4_52 -0.06431    0.03831  -1.679   0.0932 .  
## dicCB1$BP1_4_62  0.39768    0.03523  11.289  < 2e-16 ***
## dicCB1$BP1_4_72  0.16166    0.09232   1.751   0.0799 .  
## dicCB1$BP1_4_82 -0.04163    0.04840  -0.860   0.3896    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 25634  on 18492  degrees of freedom
## Residual deviance: 23828  on 18484  degrees of freedom
##   (3790 observations deleted due to missingness)
## AIC: 23846
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m11,type = "kl"))
## [1] "R^2= 0.0704855671756458"
m12=glm(dicCB1$segCalle~dicCB1$BP1_4_1+dicCB1$BP1_4_2+dicCB1$BP1_4_3+dicCB1$BP1_4_4+dicCB1$BP1_4_5+dicCB1$BP1_4_6+dicCB1$BP1_4_7+dicCB1$BP1_4_8, family = binomial(logit))
summary(m12)
## 
## Call:
## glm(formula = dicCB1$segCalle ~ dicCB1$BP1_4_1 + dicCB1$BP1_4_2 + 
##     dicCB1$BP1_4_3 + dicCB1$BP1_4_4 + dicCB1$BP1_4_5 + dicCB1$BP1_4_6 + 
##     dicCB1$BP1_4_7 + dicCB1$BP1_4_8, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.6143  -0.8985  -0.4986   0.9361   2.0880  
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)    
## (Intercept)     -1.97983    0.09958 -19.881  < 2e-16 ***
## dicCB1$BP1_4_12  0.45207    0.03789  11.931  < 2e-16 ***
## dicCB1$BP1_4_22  0.30757    0.03521   8.735  < 2e-16 ***
## dicCB1$BP1_4_32  0.92527    0.03467  26.686  < 2e-16 ***
## dicCB1$BP1_4_42  0.39823    0.04458   8.933  < 2e-16 ***
## dicCB1$BP1_4_52  0.16021    0.03823   4.190 2.78e-05 ***
## dicCB1$BP1_4_62  0.68445    0.03566  19.193  < 2e-16 ***
## dicCB1$BP1_4_72 -0.08018    0.10058  -0.797    0.425    
## dicCB1$BP1_4_82  0.03798    0.05138   0.739    0.460    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 28778  on 21041  degrees of freedom
## Residual deviance: 24630  on 21033  degrees of freedom
##   (1241 observations deleted due to missingness)
## AIC: 24648
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m12,type = "kl"))
## [1] "R^2= 0.144134744302245"

Modelos (Querétaro)

La percepcion no se explica por la policia

dicCB1Q$pseguridad<-NA
dicCB1Q$pseguridad[dicCB1Q$BP1_1=="inseguro?"]<-0
dicCB1Q$pseguridad[dicCB1Q$BP1_1=="seguro?"]<-1
#dicCB1Q$pseguridad[as.numeric(dicCB1Q$BP1_1)[dicCB1Q$BP1_1==9]]<-NA
m1Q<-glm(dicCB1Q$pseguridad~dicCB1Q$BP1_9_1, family = binomial(logit))
print(summary(m1Q))
## 
## Call:
## glm(formula = dicCB1Q$pseguridad ~ dicCB1Q$BP1_9_1, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.8562  -0.8782   0.6272   0.9794   1.5297  
## 
## Coefficients:
##                  Estimate Std. Error z value Pr(>|z|)    
## (Intercept)        1.5261     0.4934   3.093 0.001983 ** 
## dicCB1Q$BP1_9_12  -1.0405     0.5422  -1.919 0.054960 .  
## dicCB1Q$BP1_9_13  -2.3246     0.5692  -4.084 4.43e-05 ***
## dicCB1Q$BP1_9_14  -2.2798     0.6537  -3.488 0.000487 ***
## dicCB1Q$BP1_9_19  -1.5261     1.4978  -1.019 0.308275    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 272.85  on 196  degrees of freedom
## Residual deviance: 243.88  on 192  degrees of freedom
##   (60 observations deleted due to missingness)
## AIC: 253.88
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m1Q,type = "kl"))
## [1] "R^2= 0.106176468251944"

Pero sí por la percepción de seguridad en lugares específicos

m0Q=glm(dicCB1Q$pseguridad~1)
print(summary(m0Q))
## 
## Call:
## glm(formula = dicCB1Q$pseguridad ~ 1)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -0.4922  -0.4922  -0.4922   0.5078   0.5078  
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.49219    0.03131   15.72   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 0.2509191)
## 
##     Null deviance: 63.984  on 255  degrees of freedom
## Residual deviance: 63.984  on 255  degrees of freedom
##   (1 observation deleted due to missingness)
## AIC: 375.54
## 
## Number of Fisher Scoring iterations: 2
paste("R^2=",rsq(m0Q,type = "kl"))
## [1] "R^2= 0"
m8Q=glm(dicCB1Q$pseguridad~dicCB1Q$BP1_2_01+dicCB1Q$BP1_2_02+dicCB1Q$BP1_2_03+dicCB1Q$BP1_2_05+dicCB1Q$BP1_2_06+dicCB1Q$BP1_2_08+dicCB1Q$BP1_2_09+dicCB1Q$SEX+dicCB1Q$EDAD, family = binomial(logit))
print(summary(m8Q))
## 
## Call:
## glm(formula = dicCB1Q$pseguridad ~ dicCB1Q$BP1_2_01 + dicCB1Q$BP1_2_02 + 
##     dicCB1Q$BP1_2_03 + dicCB1Q$BP1_2_05 + dicCB1Q$BP1_2_06 + 
##     dicCB1Q$BP1_2_08 + dicCB1Q$BP1_2_09 + dicCB1Q$SEX + dicCB1Q$EDAD, 
##     family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -3.3254  -0.2786  -0.0970   0.3727   1.8309  
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept)        4.71072    1.21481   3.878 0.000105 ***
## dicCB1Q$BP1_2_012 -2.91198    1.14811  -2.536 0.011202 *  
## dicCB1Q$BP1_2_022 -0.93482    0.84419  -1.107 0.268140    
## dicCB1Q$BP1_2_032 -2.33605    0.76546  -3.052 0.002274 ** 
## dicCB1Q$BP1_2_052 -1.46472    0.99340  -1.474 0.140362    
## dicCB1Q$BP1_2_062  0.36506    0.99537   0.367 0.713801    
## dicCB1Q$BP1_2_082 -2.58130    1.14016  -2.264 0.023575 *  
## dicCB1Q$BP1_2_092  0.61308    0.92902   0.660 0.509304    
## dicCB1Q$SEX2       0.25871    0.77240   0.335 0.737668    
## dicCB1Q$EDAD      -0.01912    0.02664  -0.718 0.472907    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 138.589  on 99  degrees of freedom
## Residual deviance:  55.862  on 90  degrees of freedom
##   (157 observations deleted due to missingness)
## AIC: 75.862
## 
## Number of Fisher Scoring iterations: 6
paste("R^2=",rsq(m8Q,type = "kl"))
## [1] "R^2= 0.596927203366909"
AIC(m0Q)
## [1] 375.5427
AIC(m8Q)
## [1] 75.86163

Pero la percepción en estos lugares no se explica tampoco por la policía

#seguridad en mercadp
dicCB1Q$BP1_9_1[dicCB1Q$BP1_9_1==9]<-NA
dicCB1Q$segMer<-NA
dicCB1Q$segMer[dicCB1Q$BP1_2_05==9]<-NA
dicCB1Q$segMer[dicCB1Q$BP1_2_05==2]<-0
dicCB1Q$segMer[dicCB1Q$BP1_2_05==1]<-1
m9Q=glm(dicCB1Q$segMer~dicCB1Q$BP1_9_1+dicCB1Q$SEX+dicCB1Q$EDAD, family = binomial(logit))
summary(m9Q)
## 
## Call:
## glm(formula = dicCB1Q$segMer ~ dicCB1Q$BP1_9_1 + dicCB1Q$SEX + 
##     dicCB1Q$EDAD, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.2635  -0.8976   0.4176   0.9173   1.6141  
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       2.530480   0.806108   3.139 0.001694 ** 
## dicCB1Q$BP1_9_12 -1.641167   0.781689  -2.100 0.035772 *  
## dicCB1Q$BP1_9_13 -3.167778   0.804853  -3.936 8.29e-05 ***
## dicCB1Q$BP1_9_14 -2.959413   0.867977  -3.410 0.000651 ***
## dicCB1Q$SEX2     -0.198298   0.360614  -0.550 0.582394    
## dicCB1Q$EDAD     -0.003059   0.009082  -0.337 0.736246    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 229.78  on 166  degrees of freedom
## Residual deviance: 194.76  on 161  degrees of freedom
##   (90 observations deleted due to missingness)
## AIC: 206.76
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m9Q,type = "kl"))
## [1] "R^2= 0.152378859705766"
#seguridad en la calle
dicCB1Q$segCalle<-NA
dicCB1Q$segCalle[dicCB1Q$BP1_2_03==9]<-NA
dicCB1Q$segCalle[dicCB1Q$BP1_2_03==2]<-0
dicCB1Q$segCalle[dicCB1Q$BP1_2_03==1]<-1
m10Q=glm(dicCB1Q$segCalle~dicCB1Q$BP1_9_1+dicCB1Q$SEX+dicCB1Q$EDAD, family = binomial(logit))
summary(m10Q)
## 
## Call:
## glm(formula = dicCB1Q$segCalle ~ dicCB1Q$BP1_9_1 + dicCB1Q$SEX + 
##     dicCB1Q$EDAD, family = binomial(logit))
## 
## Deviance Residuals: 
##      Min        1Q    Median        3Q       Max  
## -1.89059  -0.80763  -0.05988   0.97407   1.67445  
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       1.635635   0.567822   2.881  0.00397 ** 
## dicCB1Q$BP1_9_12 -1.035003   0.542707  -1.907  0.05651 .  
## dicCB1Q$BP1_9_13 -2.559782   0.582699  -4.393 1.12e-05 ***
## dicCB1Q$BP1_9_14 -2.486148   0.668414  -3.719  0.00020 ***
## dicCB1Q$SEX2     -0.039802   0.325544  -0.122  0.90269    
## dicCB1Q$EDAD     -0.003172   0.008316  -0.381  0.70292    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 268.94  on 193  degrees of freedom
## Residual deviance: 233.11  on 188  degrees of freedom
##   (63 observations deleted due to missingness)
## AIC: 245.11
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m10Q,type = "kl"))
## [1] "R^2= 0.133248700294005"

Sólo las bandas violentas y los disparos muestan algún efecto, pero bastante limitado

m11Q=glm(dicCB1Q$segMer~dicCB1Q$BP1_4_1+dicCB1Q$BP1_4_2+dicCB1Q$BP1_4_3+dicCB1Q$BP1_4_4+dicCB1Q$BP1_4_5+dicCB1Q$BP1_4_6+dicCB1Q$BP1_4_7+dicCB1Q$BP1_4_8+dicCB1Q$SEX+dicCB1Q$EDAD, family = binomial(logit))
summary(m11Q)
## 
## Call:
## glm(formula = dicCB1Q$segMer ~ dicCB1Q$BP1_4_1 + dicCB1Q$BP1_4_2 + 
##     dicCB1Q$BP1_4_3 + dicCB1Q$BP1_4_4 + dicCB1Q$BP1_4_5 + dicCB1Q$BP1_4_6 + 
##     dicCB1Q$BP1_4_7 + dicCB1Q$BP1_4_8 + dicCB1Q$SEX + dicCB1Q$EDAD, 
##     family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.9324  -0.9623   0.6612   0.9760   1.7416  
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)   
## (Intercept)      -0.146224   1.026038  -0.143  0.88667   
## dicCB1Q$BP1_4_12 -0.293848   0.419060  -0.701  0.48317   
## dicCB1Q$BP1_4_22  0.465410   0.371280   1.254  0.21001   
## dicCB1Q$BP1_4_32  1.067588   0.379341   2.814  0.00489 **
## dicCB1Q$BP1_4_42  0.686579   0.421024   1.631  0.10295   
## dicCB1Q$BP1_4_52  0.400484   0.371465   1.078  0.28098   
## dicCB1Q$BP1_4_62 -0.397660   0.405261  -0.981  0.32647   
## dicCB1Q$BP1_4_72 -0.358327   0.995320  -0.360  0.71884   
## dicCB1Q$BP1_4_82  0.023792   0.466670   0.051  0.95934   
## dicCB1Q$SEX2     -0.077503   0.315810  -0.245  0.80614   
## dicCB1Q$EDAD     -0.003864   0.008160  -0.474  0.63584   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 281.21  on 203  degrees of freedom
## Residual deviance: 252.12  on 193  degrees of freedom
##   (53 observations deleted due to missingness)
## AIC: 274.12
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m11Q,type = "kl"))
## [1] "R^2= 0.103467479169366"
m12Q=glm(dicCB1Q$segCalle~dicCB1Q$BP1_4_1+dicCB1Q$BP1_4_2+dicCB1Q$BP1_4_3+dicCB1Q$BP1_4_4+dicCB1Q$BP1_4_5+dicCB1Q$BP1_4_6+dicCB1Q$BP1_4_7+dicCB1Q$BP1_4_8+dicCB1Q$SEX+dicCB1Q$EDAD, family = binomial(logit))
summary(m12Q)
## 
## Call:
## glm(formula = dicCB1Q$segCalle ~ dicCB1Q$BP1_4_1 + dicCB1Q$BP1_4_2 + 
##     dicCB1Q$BP1_4_3 + dicCB1Q$BP1_4_4 + dicCB1Q$BP1_4_5 + dicCB1Q$BP1_4_6 + 
##     dicCB1Q$BP1_4_7 + dicCB1Q$BP1_4_8 + dicCB1Q$SEX + dicCB1Q$EDAD, 
##     family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.6933  -0.9886  -0.4401   0.9332   1.8742  
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)  
## (Intercept)      -0.803256   1.047458  -0.767   0.4432  
## dicCB1Q$BP1_4_12  0.052967   0.374831   0.141   0.8876  
## dicCB1Q$BP1_4_22  0.304167   0.336437   0.904   0.3660  
## dicCB1Q$BP1_4_32  0.797250   0.335791   2.374   0.0176 *
## dicCB1Q$BP1_4_42  0.922384   0.402161   2.294   0.0218 *
## dicCB1Q$BP1_4_52  0.302620   0.359633   0.841   0.4001  
## dicCB1Q$BP1_4_62  0.307203   0.398169   0.772   0.4404  
## dicCB1Q$BP1_4_72 -1.406318   1.017497  -1.382   0.1669  
## dicCB1Q$BP1_4_82  0.757007   0.516795   1.465   0.1430  
## dicCB1Q$SEX2     -0.013092   0.296587  -0.044   0.9648  
## dicCB1Q$EDAD     -0.002428   0.007743  -0.314   0.7539  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 332.64  on 239  degrees of freedom
## Residual deviance: 285.90  on 229  degrees of freedom
##   (17 observations deleted due to missingness)
## AIC: 307.9
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m12Q,type = "kl"))
## [1] "R^2= 0.140518169579129"

Victimización y percepción de inseguridad en QUerétaro

#tampoco se explica por delitos

m14Q=glm(dicCB1Q$pseguridad~dicCB1Q$BP1_6_1+dicCB1Q$BP1_6_2+dicCB1Q$BP1_6_3+dicCB1Q$BP1_6_4+dicCB1Q$BP1_6_5+dicCB1Q$BP1_6_6+dicCB1Q$SEX+dicCB1Q$EDAD,family = binomial(logit))
summary(m14Q)
## 
## Call:
## glm(formula = dicCB1Q$pseguridad ~ dicCB1Q$BP1_6_1 + dicCB1Q$BP1_6_2 + 
##     dicCB1Q$BP1_6_3 + dicCB1Q$BP1_6_4 + dicCB1Q$BP1_6_5 + dicCB1Q$BP1_6_6 + 
##     dicCB1Q$SEX + dicCB1Q$EDAD, family = binomial(logit))
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.5885  -1.1366  -0.3724   1.0905   2.1651  
## 
## Coefficients:
##                    Estimate Std. Error z value Pr(>|z|)  
## (Intercept)       -4.062469   1.763621  -2.303   0.0213 *
## dicCB1Q$BP1_6_1No  1.202293   1.147264   1.048   0.2947  
## dicCB1Q$BP1_6_2No  0.266304   0.579206   0.460   0.6457  
## dicCB1Q$BP1_6_3No  0.940414   0.727067   1.293   0.1959  
## dicCB1Q$BP1_6_4No  1.670302   0.678809   2.461   0.0139 *
## dicCB1Q$BP1_6_5No  0.617411   0.950933   0.649   0.5162  
## dicCB1Q$BP1_6_6No  0.310893   0.475681   0.654   0.5134  
## dicCB1Q$SEX2      -0.536846   0.266390  -2.015   0.0439 *
## dicCB1Q$EDAD      -0.016365   0.006963  -2.350   0.0188 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 354.83  on 255  degrees of freedom
## Residual deviance: 333.08  on 247  degrees of freedom
##   (1 observation deleted due to missingness)
## AIC: 351.08
## 
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m14Q,type = "kl"))
## [1] "R^2= 0.0613001668197912"